Talkhi N, Akbari sharak N, Rajabzadeh Z, Salari M, Sadati S M, Shakeri M T. Identification Symptoms and Underlying Diseases Related to COVID-19 And Prediction of Death Status Using Artificial Neural Network and Logistic Regression: A Data Mining Approach. irje 2022; 18 (3) :244-254
URL:
http://irje.tums.ac.ir/article-1-7111-fa.html
تلخی نسرین، اکبری شارک نوشین، رجب زاده زهرا، سالاری مریم، ساداتی سید مسعود، شاکری محمد تقی. شناسایی علایم و بیماریهای زمینهای مرتبط با بیماری کووید-19 و پیشبینی وضعیت مرگ با کمک رگرسیون لوژستیک و شبکههای عصبی مصنوعی: یک رویکرد دادهکاوی. مجله اپیدمیولوژی ایران. 1401; 18 (3) :244-254
URL: http://irje.tums.ac.ir/article-1-7111-fa.html
1- کارشناسی ارشد آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران
2- استادیار آمار زیستی، مرکز مدیریت و فناوری اطلاعات، دانشگاه علوم پزشکی مشهد، مشهد، ایران
3- کارشناسی ارشد مدیریت فناوری اطلاعات، مرکز آمار و مدیریت فناوری اطلاعات، بیمارستان امام رضا، دانشگاه علوم پزشکی مشهد، مشهد، ایران
4- استاد آمارزیستی، مرکز تحقیقات عوامل اجتماعی تعیین کننده سلامت، دانشگاه علوم پزشکی مشهد، مشهد، ایران ، ShakeriMT@mums.ac.ir
چکیده: (635 مشاهده)
مقدمه و اهداف: شیوع و نرخ مرگومیر بالای بیماری کووید-19، علائم، اطلاعات جمعیت شناختی و بیماریهای زمینهای مؤثر در پیشبینی مرگ ناشی از آن را ضروری میسازد. لذا در این مطالعه قصد داریم به پیشبینی رفتار مرگومیر ناشی از کووید-19 در استان خراسان رضوی بپردازیم.
روش کار: در این مطالعه دادههای کامل 47460 نفر از بیماران بستری در بیمارستانهای استان خراسان رضوی از 4 اسفند 1398 تا 21 شهریور 1400 جمعآوری شد. برای تشخیص بازماندگان و غیر بازماندگان ناشی از کووید-19 روش شبکههای عصبی و رگرسیون لوژستیک و برای مقایسه دو مدل از حساسیت، ویژگی، صحت پیشبینی و سطح زیر منحنی مشخصه عملکرد استفاده گردید.
یافتهها: کاهش سطح هوشیاری، سرفه، درصد اکسیژن خون کمتر از 93%، سن، سرطان، بیماریهای مزمن کلیه، تب داشتن، سردرد داشتن، سیگاری بودن، و بیماریهای مزمن خون بهعنوان ده عامل مهمتر در پیشبینی مرگ شناسایی شدند. صحت مدل شبکه عصبی و رگرسیون لوژستیک به ترتیب برابر 89/90% و 83/67%درصد، همچنین حساسیت، ویژگی و سطح زیر منحنی راک در دو مدل به ترتیب (76/14%، 68/94%)، (91/99%، 85/30%) و (77/14%، 68/98%) بود.
نتیجهگیری: یافتههای ما اهمیت برخی اطلاعات جمعیت شناختی، بیماریهای زمینهای و علائم بالینی را ارائه کرد. همچنین، مدل شبکه عصبی میتواند مرگ را با دقت بیشتری نسبت به مدل رگرسیون لوژستیک پیشبینی کند. بااینحال، تحقیقات پزشکی در این زمینه با بهکارگیری سایر روشهای یادگیری ماشین و قدرت بالای آنها، نتایج کاملکنندهای به دنبال خواهد داشت.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
اپیدمیولوژی دریافت: 1401/4/12 | پذیرش: 1401/11/1 | انتشار: 1401/9/10
ارسال پیام به نویسنده مسئول