基于症状的机器学习模型用于COVID-19早期检测：叙述性综述

尽管COVID-19的检测协议已广泛普及，但在该疾病的早期检测方面仍存在重大挑战，这对于防止其传播和优化患者预后至关重要。由于资源匮乏环境中的检测能力有限以及现有传统检测方法的局限性，已确定快速高效的策略对于彻底阻止病毒十分重要。机器学习模型可以分析大型数据集，整合患者自述症状、临床数据和医学影像。已经开发了基于症状的检测方法来预测COVID-19，并且它们显示出了可喜的结果。在本文中，我们概述了仅使用症状的机器学习模型预测COVID-19的现状，包括它们的性能和局限性。该综述还将检查基于症状的模型与基于图像的模型相比的性能。由于不同研究使用了不同的数据集、方法和性能指标。选择性能最佳的模型依赖于研究的背景和目标。然而，根据结果，我们观察到集成分类器在基于患者症状预测COVID-19的发生方面表现异常出色，最高总体准确率达到97.88%。Gradient Boosting Algorithm实现了0.90的AUC（曲线下面积），并确定了促成决策过程的关键特征。正如所分析的研究中观察到的，基于图像的模型始终表现出比基于症状的模型更高的准确率，通常达到从96.09%到高达99%的令人印象深刻的水平。