الگوهای پنهان در داده‌های عوارض قلبی عروقی بیماران مبتلا به کوید-19 با استفاده از علم داده

با هدف به‌کارگیری روش‌های داده‌محور در تحلیل‌های بالینی، این پژوهش به توسعه یک مدل پیش‌بینی برای شناسایی بیماران مبتلا به کووید-19 با ریسک بالای عوارض قلبی عروقی شدید می‌پردازد. مطالعه بر روی داده‌های 216 بیمار بستری در بیمارستان شهید فقیهی شیراز انجام شده و با بهره‌گیری از الگوریتم رگرسیون لجستیک با جریمه l1 (lasso) به دلیل قابلیت انتخاب متغیر و کاهش بیش‌برازش، پیاده‌سازی شده است. داده‌ها شامل ویژگی‌های دموگرافیک، شاخص‌های آزمایشگاهی و پارامترهای بالینی-تصویربرداری بوده و پس از پاک‌سازی و تقسیم داده‌ها به نسبت 80-20 برای آموزش و آزمون، مدل‌هایی جهت پیش‌بینی نیاز به بستری در icu و احتمال مرگ‌ومیر توسعه یافتند. نتایج نشان داد که عملکرد بطن راست، سطح d-dimer و درگیری ریوی از مهم‌ترین عوامل موثر در پیش‌بینی بستری در icu هستند (auc=0.98). همچنین، درگیری ریوی، سطح crp و سن نیز به‌عنوان پیش‌بین‌های کلیدی مرگ‌ومیر شناسایی شدند (auc=0.99). مقایسه با مدل‌های بین‌المللی مانند covid-gram و leoss، هم‌راستایی مناسبی را در شناسایی عوامل کلیدی نشان داد. یافته‌ها ظرفیت بالقوه استفاده از مدل‌های یادگیری ماشین در سیستم‌های پشتیبان تصمیم‌گیری بالینی را نشان می‌دهند و گامی کاربردی در همگرایی مهندسی داده، هوش مصنوعی و علوم پزشکی محسوب می‌شوند. این رویکرد قابلیت تعمیم به سایر بیماری‌های پرخطر نیز دارد و بهینه‌سازی تخصیص منابع درمانی را تسهیل می‌کند.

hidden patterns in cardiovascular complications data of patients with covid-19 using data science

to advance the use of data-driven methodologies in clinical assessment, this study proposes a predictive modeling framework for identifying covid-19 patients at elevated risk of severe cardiovascular complications. the analysis is based on clinical data from 216 patients admitted to shahid faghihi hospital in shiraz and employs l1-regularized logistic regression (lasso), selected for its robust feature selection and overfitting mitigation. the dataset comprised demographic variables, laboratory biomarkers, and clinical and imaging parameters. following data preprocessing and an 80/20 train–test split, predictive models were developed to estimate both intensive care unit (icu) admission requirements and mortality risk. the results demonstrate that correct ventricular function, d-dimer concentration, and the extent of pulmonary involvement are the most significant predictors of icu admission (auc = 0.98). furthermore, pulmonary involvement, c-reactive protein (crp) levels, and patient age emerged as the primary determinants of mortality (auc = 0.99). a comparative evaluation against established international risk stratification tools, including covid-gram and leoss, revealed substantial concordance in the identification of critical prognostic factors. overall, the findings underscore the clinical value of machine learning–based predictive models as components of decision support systems and represent a practical contribution to integrating data engineering, artificial intelligence, and medical research. the proposed framework is readily extensible to other high-risk clinical conditions and supports more efficient allocation of healthcare resources.