Early Identification of COVID-19 Using Dynamic Fuzzy Rule Based System
Notice bibliographique
Résumé
The undergoing research aims to address the problem of COVID-19 which has turned out to be a global pandemic. Despite developing some successful vaccines, the pace has not overcome so far. Several studies have been proposed in the literature in this regard, the present study is unique in terms of its dynamic nature to adapt the rules by reconfigurable fuzzy membership function. Based on patient’s symptoms (fever, dry cough etc.) and history related to travelling, diseases/medications and interactions with confirmed patients, the proposed dynamic fuzzy rule-based system (FRBS) identifies the presence/absence of the disease. This can greatly help the healthcare professionals as well as laymen in terms of disease identification. The main motivation of this paper is to reduce the pressure on the health services due to frequent test assessment requests, in which patients can do the test anytime without the need to make reservations. The main findings are that there is a relationship between the disease and the symptoms in which some symptoms can indicate the probability of the presence of the disease such as high difficulty of breathing, cough, sore throat, and so many more. By knowing the common symptoms, we developed membership functions for these symptoms, and a model generated to distinguish between infected and non-infected people with the help of survey data collected. The model gave an accuracy of 88.78%, precision of 72.22%, sensitivity of 68.42%, specificity of 93.67%, and an f1-score of 69.28%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».