Mental health and long COVID status prediction among recovered COVID-19 patients: A comparison of machine learning methods
Notice bibliographique
Résumé
The COVID-19 pandemic has led to different health outcomes, including long COVID (LCo) and mental health (MH) disorders, impacting millions globally. To enable early healthcare diagnosis, including the prediction of MH conditions and LCo, various research studies have utilized machine learning (ML) techniques. However, there is still a gap in understanding the mental health of recovered COVID-19 patients with long COVID using ML techniques. This study aims to bridge this gap by developing and evaluating ML models, including support vector machine, multilayer perceptron (MLP), k-nearest neighbor, gradient boosting, voting classifier, and extreme gradient boosting, tailored for mental health and long COVID datasets from recovered COVID-19 patients. Additionally, feature selection methods, e.g., Recursive Feature Elimination (RFE) and Extra Trees (ET), and optimized models with hyper-parameter tuning will be employed. Our experiments utilize the dataset of recovered COVID-19 patients. Among these ML models, the MLP with ET-based features achieved the highest accuracy and AUC scores in this dataset, with 1.00 and 0.97 ± 0.02, respectively. The research reveals the high prevalence and risk factors of mental health disorders and long COVID from the dataset. These findings will contribute to personalized healthcare strategies for individuals navigating the complexities of post-COVID-19 recovery, integrating machine learning insights into mental health and long COVID support.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».