用于COVID-19严重程度解释和人口统计症状分类的贝叶斯网络与机器学习
机器学习
2024-06-19 v2 人工智能
机器学习
应用统计
摘要
在抗击2019冠状病毒病(COVID-19)大流行的持续努力中，关于其传播、未来影响和复发的未知不确定性仍然存在。在本文中，我们提出了一种三阶段数据驱动方法，以提取关于COVID-19的隐藏信息。第一阶段采用贝叶斯网络结构学习方法，识别COVID-19症状及其内在人口统计变量之间的因果关系。第二阶段，贝叶斯网络结构学习的输出作为有用的指导，训练一个无监督机器学习(ML)算法，通过聚类揭示患者症状的相似性。最后阶段利用从聚类中获得的标签，训练一个人口统计症状识别(DSID)模型，该模型预测患者的症状类别及相应的人口统计概率分布。我们将该方法应用于从美国疾病控制与预防中心(CDC)获得的COVID-19数据集。实验结果显示，测试准确率达到99.99%，而启发式ML方法的准确率仅为41.15%。这有力地证明了我们的贝叶斯网络和机器学习方法在理解病毒症状之间关系方面的可行性，并为减少病毒严重程度的患者分层提供了见解。
引用
@article{arxiv.2406.10807,
title = {Bayesian Networks and Machine Learning for COVID-19 Severity Explanation and Demographic Symptom Classification},
author = {Oluwaseun T. Ajayi and Yu Cheng},
journal= {arXiv preprint arXiv:2406.10807},
year = {2024}
}