细菌学与寄生虫学杂志

抽象的

COVID-19 患者死亡率预测：方法与潜力

彼得·杰玛

冠状病毒的大规模传播导致全球医疗服务负担加重。经验表明，当地诊所所需的医疗服务可能达到极限，快速、安全地对疾病严重程度进行临床评估变得至关重要。重症监护患者的生物标志物会定期测定。机器学习工具可用于选择合适的生物标志物，以评估健康状况并预测患者死亡风险。透明的预测模型可以进一步说明与重症监护患者特定健康状况相关的生物标志物的特性和发展。

在这项工作中，将替代和高级模型方法（支持向量机、朴素贝叶斯、模糊系统）与文献中提出的模型进行了比较。此外，建模中还包括患者性别和生物标志物随时间变化等方面。人工神经网络 (SOM) 用于选择生物标志物。对生物标志物的统计分析揭示了它们的值和患者危急状态的变化。在模型比较中，Sugeno 型模糊预测器在健康评估和决策支持方面取得了最佳效果。模糊系统提供连续的输出值而不是二元决策，因此可以将可疑病例归入拒绝类。扩展的模糊模型考虑了患者的性别和关键特征随时间的变化趋势，因此提供了出色的结果，使用训练数据的准确率高于 98%。然而，由于缺乏合适的测试数据，最终无法验证这一点。所有模型的生成和训练都是使用 Matlab© 工具完全自动进行的，无需额外调整。