人工智能模型主动预测如果COVID-19测试可能是积极的

COVID-19和其最新ο株继续造成感染全国以及全球。血清学(血液)和分子检测的两种最常用的方法是快速COVID-19测试。因为COVID-19测试使用不同的机制,他们发生显著的变化。分子测试病毒SARS-CoV-2 RNA的存在而血清学试验检测抗体的存在SARS-CoV-2引发的病毒。

目前,没有现有的血清学和之间的相关性研究分子检测而且COVID-19症状起到关键作用产生积极的测试结果。一项研究从佛罗里达大西洋大学的工程学院和计算机科学中使用机器学习提供了新的重要证据理解分子测试与血清学测试相关,最有用的什么特性区分COVID-19积极与测试结果。

工程和计算机科学学院研究人员训练五分类算法来预测COVID-19测试结果。他们创造了一个精确的预测模型使用容易获得症状特征,随着人口特性,比如post-symptom发病天数,发热,温度,年龄和性别。

这项研究表明,机器学习模型,使用简单的症状和人口特征,训练可以帮助预测COVID-19感染。结果,发表在《华尔街日报》聪明健康,识别关键特性COVID-19感染症状,并提供一个快速筛查和成本有效的感染检测方法。

研究结果显示,天数出现发烧和呼吸困难等症状在COVID-19测试结果起到很大的作用。分子测试结果还表明,有很多窄post-symptom发病天(三至八天),相比post-symptom发作的日子血清学测试(5至38天之间)。因此,分子测试积极率最低,因为它经常感染措施。

此外,COVID-19测试有很大的波动,部分因为捐赠者的免疫反应和病毒加载不同的测试methods-continuously变化的目标。即使对于同一供体,有可能观察到不同的正/负两种类型的测试结果。

“分子测试取决于病毒载量和血清学测试依赖血清转化,也就是在这段时间,身体开始产生可检测的抗体水平。说:“这些测试都是与时间有关的星泉“山”朱博士,资深作家和教授能力的电气工程和计算机科学。“我们的研究结果表明,的天数后症状非常重要的一个积极COVID-19测试和筛选病人时应仔细考虑下。”

在这项研究中,研究人员使用测试结果从2467年捐助者,每个测试使用一个或多个类型的COVID-19测试,采集实验。他们结合症状和人口信息设计一组特性预测建模使用机器学习模型的五种类型。

通过交叉检查测试类型和结果,他们检查血清学和分子之间的相关性测试。测试结果的预测,他们贴上2467捐赠者通过血清学或积极或消极分子测试结果,并创建了症状特点为机器学习表示每个捐赠者。

“因为COVID-19产生一系列症状和数据收集过程本质上是容易出错,我们分组类似症状到垃圾箱,”朱说。“没有一个标准化的症状报告、症状特征空间大大增加。为了解决这一问题,我们利用这种装箱的方法,它能够减少症状特征空间,同时保持样本特性信息。”

通过使用本功能,创建五个机器学习算法相结合,这些预测模型取得了超过81%的AUC分数(ROC曲线下的面积,提供一个聚合的性能在所有可能的分类阈值),和76%以上分类精度。

“我们实验的一个独特的特性是,一些捐助者可能有多个测试结果,这让我们分析血清学测试与分子测试之间的关系,并了解在每个类型的一致性测试,”朱说。

五个机器学习研究人员所使用的模型是随机森林,XGBoost、逻辑回归、支持向量机(SVM)和神经网络。他们比较性能通过使用三个性能指标:准确性、F1-score和AUC。

“预测建模是研究复杂许多令人困惑的问题没有回答。试验台由我们的人员确实是小说,清楚地显示了不同类型的相关性COVID-19测试,”斯特拉Batalama博士说,院长,大学的工程和计算机科学能力。

“我们的研究人员设计了一个新方法来缩小嘈杂的症状特点临床解释和预测建模。基于这样的人工智能预测建模方法越来越强大的抗击传染病和许多其他方面的健康问题。”