文献

J-GLOBAL ID：202102230491029411   整理番号：21A3425072

多変量血液検査に基づくCOVID-19の軽度および重度の症例を分類するための異なる機械学習モデルの使用【JST・京大機械翻訳】

Using different machine learning models to classify patients into mild and severe cases of COVID-19 based on multivariate blood testing

著者 (5件)： Zhang Rui-kun (Health Science Center, Shenzhen University, Shenzhen, China) ,  Xiao Qi (Health Science Center, Shenzhen University, Shenzhen, China) ,  Zhu Sheng-lang (Department of nephrology, Shenzhen Nanshan People’s Hospital and The 6th Affiliated Hospital of Shenzhen University Health Science Center, Shenzhen, China) ,  Lin Hai-yan (Department of nephrology, Shenzhen Nanshan People’s Hospital and The 6th Affiliated Hospital of Shenzhen University Health Science Center, Shenzhen, China) ,  Tang Ming (Department of Critical Care Medicine, Shenzhen Third People’s Hospital, The Second Hospital Affiliated to Southern University of Science and Technology, Shenzhen, China)
資料名： Journal of Medical Virology  (Journal of Medical Virology)
巻： 94  号： 1  ページ： 357-365  発行年： 2022年 
JST資料番号： E0726B  ISSN： 0146-6615  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： COVID-19は重大な呼吸器疾患である。増え続ける事例数は,健康サービスシステムに重い負荷を引き起こしている。COVID-19と診断された422人の患者(2020年1月~2021年6月20日)の入院の第1日に38の血液検査指標を用いて,COVID-19の軽度または重度の症例のいずれかに患者を分類する異なる機械学習(ML)モデルを作成した。すべてのモデルは,COVID-19患者の軽度および重度の疾患への分類において良い性能を示した。ランダムフォレストモデルの曲線下面積(AUC)は0.89であり,ナイーブBayesモデルのAUCは0.90であり,サポートベクターマシンモデルのAUCは0.86であり,そして,KNNモデルのAUCは0.78であり,ロジスティック回帰モデルのAUCは0.84であり,そして,人工ニューラルネットワークモデルのAUCは0.87であり,その中で,ナイーブBayesモデルは0.87であった。異なるMLモデルは,COVID-19と診断された患者の入院の最初の日に採取した38の血液検査指標に基づいて,患者を軽度で重度の症例に分類することができる。Copyright 2021 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 呼吸器疾患 ,  *血液検査 ,  血中濃度-時間曲線下面積 ,  *機械学習 ,  サポートベクトルマシン
準シソーラス用語： 神経回路網モデル ,  ランダムフォレスト ,  ロジスティック回帰モデル ,  Bayes法 ,  *多変量 , 【Automatic Indexing@JST】

著者キーワード (5件)： 人工知能 ,  バイオ統計学とバイオインフォマティクス ,  コロナウイルス ,  感染症 ,  ウイルス分類

分類 (1件)： 循環系の診断  (GJ02000V)

タイトルに関連する用語 (7件)： 多変量 ,  血液検査 ,  軽度 ,  症例 ,  分類 ,  機械学習 ,  モデル