Recurrent neural network-based automated early detection of pandemic-prone diseases through symptoms analysis
Notice bibliographique
Résumé
A pandemic is a disease outbreak that affects an alarmingly high percentage of the population and spreads over a large geographic area. Some diseases are more likely to start pandemics because they are contagious and can cause severe illness or death. The most recent lethal disease to emerge and cause global devastation among all other pandemics is COVID-19. Since the COVID-19 disease breakout in December 2019, it has become a global pandemic that has caused millions of people throughout the planet. Modern information technology applications have emerged as a result of the pandemic’s heightened demand for healthcare products and services. To effectively manage future pandemic-prone diseases and slow their vigorous spread, their early detection is crucial. New-age technologies, such as artificial intelligence, internet of things, cloud computing, etc., are therefore a major asset in the fight against such terrible diseases. Therefore, the current study employs the proposed architecture of a recurrent neural network (RNN) for the accurate identification of patients infected with COVID-19 disease through analysis of its major symptoms. Before classification, extra trees-based feature selection was used to collect the most significant features that accurately characterize COVID-19 positive or COVID-19 negative classes. This work also takes into account several deep learning models viz., RNN, Bi-LSTM, GRU, LSTM along with other machine learning models such as Logistic Regression to identify the COVID-19 pandemic. The thorough analysis of results shows that, the RNN classifier appears to perform better than the other classifiers in the early diagnosis of this fatal disease, with an accuracy of 98.70%, sensitivity of 97.81%, specificity of 95.55%, precision value equal to 98.97%, F1-score of 96.16%, and false discovery rate of 1.03% only. Therefore, the proposed RNN-based approach can help identify fatal infections caused by pandemic-prone diseases at an early stage, enabling timely intervention and containment.
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 | 0,004 |
| 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 | 0,000 |
| 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 ».