Differentiating Between COVID-19 and Tuberculosis Using Machine Learning and Natural Language Processing
Notice bibliographique
Résumé
Over 10 million people around the world are affected by tuberculosis (TB) every year, making it a major global health concern. With the advent of the COVID-19 pandemic, TB services in many countries have been temporarily disrupted, leading to a potential delay in the diagnosis of TB cases and many cases going under the radar. Since both diseases sometimes present similarly and generally affect the lungs, there is also a risk of misdiagnosis. This study aims to analyse the differences between COVID-19 and TB in different patients, as a first step in the creation of a TB screening tool. 180 COVID-19 and 215 TB case reports were collected from ScienceDirect. Using Natural Language Processing tools, the patient’s age, gender, and symptoms were extracted from each report. Tree-based machine learning algorithms were then used to classify each case report as belonging to either disease. Overall, the cases included 252 male and 117 female patients, with 26 cases not reporting the patient’s sex. The patients’ ages ranged from 0 to 95 years old, with a median age of 41.5. There were 33 cases with missing age values. The most frequent symptom in the TB cases was weight loss while most COVID-19 cases listed fever as a symptom. Of all algorithms implemented, XGBoost performed best in terms of ROC AUC (86.9 %) and F1-score macro (78%). The trained model is a good starting point, which can be used by medical staff to aid in referring potential TB patients in a timely manner. This could reduce the delay in TB diagnosis as well as the TB death toll, especially in highly infected countries.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».