基于常规血液指标用于物联网应用的机器学习传感器诊断 COVID-19 疾病
机器学习
2022-10-24 v2 医学物理
定量方法
摘要
由于物联网（IoT）的存在，人体各种参数在日常生活中被即时监测，医疗数字化需要人体传感器的有效应用。特别地，用于快速诊断 COVID-19 的机器学习（ML）传感器是医疗和 ambient assisted living (AAL，环境辅助生活) 中物联网应用的一个重要选项。利用各种诊断测试和影像结果确定 COVID-19 感染状态成本高且耗时。本研究基于入院时测量的常规血液指标（RBVs）提供了一种快速、可靠且经济高效的 COVID-19 诊断替代工具。本研究的数据集共包含 5296 名患者，其 COVID-19 阴性及阳性检测结果数量相同，并包含 51 项常规血液指标。在本研究中，考察了 13 种流行的分类器机器学习模型以及 LogNNet 神经网络模型。在疾病检测的时间和准确率方面最成功的分类器模型是基于直方图的梯度提升（HGB）（准确率：100%，时间：6.39 秒）。HGB 分类器识别出 11 个最重要的特征（LDL、胆固醇、HDL-C、MCHC、甘油三酯、淀粉酶、UA、LDH、CK-MB、ALP 和 MCH）以 100% 准确率检测该疾病。此外，还讨论了这些特征单独、两两及三三组合在疾病诊断中的重要性。我们提议将这 11 个特征及其二元组合作为该疾病 ML 传感器的重要生物标志物，以支持 Arduino 上的边缘计算和云物联网服务。
引用
@article{arxiv.2209.03522,
title = {Machine Learning Sensors for Diagnosis of COVID-19 Disease Using Routine Blood Values for Internet of Things Application},
author = {Andrei Velichko and Mehmet Tahir Huyut and Maksim Belyaev and Yuriy Izotov and Dmitry Korzun},
journal= {arXiv preprint arXiv:2209.03522},
year = {2022}
}
备注
30 pages, 9 figures, 8 tables, 1 algorithm