బాక్టీరియాలజీ & పారాసిటాలజీ జర్నల్

నైరూప్య

COVID-19 రోగులకు మరణాల అంచనా: పద్ధతులు మరియు సంభావ్యత

పీటర్ గెమ్మార్

కరోనావైరస్ యొక్క మహమ్మారి వ్యాప్తి ప్రపంచవ్యాప్తంగా ఆరోగ్య సంరక్షణ సేవలపై పెరిగిన భారానికి దారితీస్తుంది. అవసరమైన వైద్య చికిత్స స్థానిక క్లినిక్‌లలో పరిమితులను చేరుకోగలదని మరియు వ్యాధి తీవ్రత యొక్క వేగవంతమైన మరియు సురక్షితమైన క్లినికల్ అంచనా చాలా ముఖ్యమైనదని అనుభవం చూపిస్తుంది. ఇంటెన్సివ్ కేర్ రోగులకు బయోమార్కర్లు క్రమం తప్పకుండా నిర్ణయించబడతాయి. ఆరోగ్య స్థితిని అంచనా వేయడానికి మరియు రోగి మరణాల ప్రమాదాన్ని అంచనా వేయడానికి తగిన బయోమార్కర్లను ఎంచుకోవడానికి మెషిన్ లెర్నింగ్ టూల్స్ ఉపయోగించవచ్చు. ఇంటెన్సివ్ కేర్ రోగుల నిర్దిష్ట ఆరోగ్య పరిస్థితులకు సంబంధించి బయోమార్కర్ల లక్షణాలు మరియు అభివృద్ధిపై పారదర్శక అంచనా నమూనాలు తదుపరి ప్రకటనలను అనుమతిస్తాయి.

ఈ పనిలో, ప్రత్యామ్నాయ మరియు అధునాతన నమూనా విధానాలు (సపోర్ట్ వెక్టర్ మెషిన్, నైవ్ బేస్, మసక వ్యవస్థ) సాహిత్యంలో ప్రతిపాదించబడిన నమూనాలతో పోల్చబడ్డాయి. అదనంగా, రోగుల లింగం మరియు కాలక్రమేణా బయోమార్కర్లలో మార్పులు వంటి అంశాలు మోడలింగ్‌లో చేర్చబడ్డాయి. బయోమార్కర్లను ఎంచుకోవడానికి కృత్రిమ నాడీ నెట్‌వర్క్ (SOM) ఉపయోగించబడుతుంది. బయోమార్కర్ల యొక్క గణాంక విశ్లేషణ వారి విలువలను మరియు రోగుల యొక్క క్లిష్టమైన స్థితిలో మార్పులను వెల్లడిస్తుంది. మోడల్ పోలికలో, సుజీనో-రకం మసక ప్రిడిక్టర్ ఆరోగ్య అంచనా మరియు నిర్ణయ మద్దతు కోసం ఉత్తమ ఫలితాలను సాధించింది. మసక వ్యవస్థ బైనరీ నిర్ణయాలకు బదులుగా నిరంతర అవుట్‌పుట్ విలువలను అందిస్తుంది మరియు తద్వారా సందేహాస్పద కేసులను తిరస్కరణ తరగతికి కేటాయించవచ్చు. విస్తరించిన మసక మోడల్ రోగి యొక్క లింగాన్ని మరియు కాలక్రమేణా కీలక లక్షణాలలో ట్రెండ్‌ను పరిగణనలోకి తీసుకుంటుంది మరియు తద్వారా శిక్షణ డేటాతో 98% కంటే మెరుగైన ఖచ్చితత్వంతో అద్భుతమైన ఫలితాలను అందిస్తుంది. అయితే, సరైన పరీక్ష డేటా లేకపోవడంతో ఇది చివరకు ధృవీకరించబడలేదు. అన్ని మోడళ్ల ఉత్పత్తి మరియు శిక్షణ Matlab© టూల్స్‌తో మరియు అదనపు సర్దుబాటు లేకుండా పూర్తిగా ఆటోమేటిక్‌గా జరిగింది.