Application of intelligence-based computational techniques for classification and early differential diagnosis of COVID-19 disease
Notice bibliographique
Résumé
Clinical methods are used for diagnosing COVID-19 infected patients, but reports posit that, several people who were initially tested positive of COVID-19, and who had some underlying diseases, turned out having negative results after further tests. Therefore, the performance of clinical methods is not always guaranteed. Moreover, chest X-ray image data of COVID-19 infected patients are mostly used in the computational models for COVID-19 diagnosis, while the use of common symptoms, such as fever, cough, fatigue, muscle aches, headache, etc. in computational models is not yet reported. In this study, we employed seven classification algorithms to empirically test and verify their efficacy when applied to diagnose COVID-19 using the aforementioned symptoms. We experimented with Logistic Regression (LR), Support Vector Machine (SVM), Naïve Byes (NB), Decision Tree (DT), Multilayer Perceptron (MLP), Fuzzy Cognitive Map (FCM) and Deep Neural Network (DNN) algorithms. The techniques were subjected to random undersampling and oversampling. Our results showed that with class imbalance, MLP and DNN outperform others. However, without class imbalance, MLP, FCM and DNN outperform others with the use of random undersampling, but DNN has the best performance by utilizing random oversampling. This study identified MLP, FCM and DNN as better classifiers over LR, NB, DT and SVM, so that healthcare software system developers can adopt them to develop intelligence-based expert systems which both medical personnel and patients can use for differential diagnosis of COVID-19 based on the aforementioned symptoms. However, the test of performance must not be limited to the traditional performance metrics.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».