基于机器学习的预测模型用于诊断早期 COVID-19 患者

抽象的

孙楠楠、杨亚、唐玲玲、李真、戴一宁、徐万、钱晓亮、高海女、鞠斌

目的：为了提高COVID-19感染早期诊断的及时性，有必要开发一种决策工具来辅助发热门诊中的COVID-19患者的早期诊断。

材料和方法：本文旨在从 912 名早期 COVID-19 感染患者的临床数据中提取危险因素，并利用四种传统机器学习方法，包括逻辑回归（LR）、支持向量机（SVM）、决策树（DT）、随机森林 (RF) 和基于深度学习的早期 COVID-19 诊断方法。

结果：结果显示，LR 预测模型的特异性高达 0.95，受试者工作曲线下面积 (AUC) 为 0.971，灵敏度提高到 0.82，这使其成为早期 COVID-19 筛查的最佳选择。感染。我们还对最佳模型（LR预测模型）在浙江人群中的通用性进行了验证，并分析了各因素对预测模型的贡献。

讨论：在COVID-19大流行的背景下，COVID-19的早期诊断仍然面临严峻的挑战，辅助COVID-19患者早期诊断的决策工具对于发热门诊至关重要。

结论：我们的手稿描述并强调了机器学习方法提高早期 COVID-19 感染诊断准确性和及时性的能力。我们基于 LR 的预测模型的 AUC 较高，使其成为辅助 COVID-19 诊断的更有利的方法。优化模型已封装为移动应用程序（APP）并在浙江省部分医院实施。