人工智能预测新冠病毒检测阳性

佛罗里达大西洋大学工程与计算机科学学院利用机器学习进行的一项研究，为理解分子检测与血清学检测之间的相关性，以及哪些特征在区分COVID-19阳性与检测结果方面最有用提供了重要的新证据。

人工智能模型预测Covid-19检测是否呈阳性

工程与计算机科学学院的研究人员训练了五种分类算法来预测COVID-19检测结果。他们使用易于获取的症状特征，以及症状出现后的天数、发烧、体温、年龄和性别等人口特征，创建了一个准确的预测模型。

广告

使用简单症状和人口特征训练的机器学习模型可以帮助预测COVID-19感染。结果发表在杂志上聪明健康研究显示，一个人出现发烧和呼吸困难等症状的天数在COVID-19检测结果中起着很大的作用。

研究结果还表明，与血清学检测的症状后发病天数(5至38天)相比，分子检测的症状后发病天数(3至8天)要窄得多。因此，分子检测的阳性率最低，因为它测量的是当前的感染情况。

此外，COVID-19检测差异很大，部分原因是捐赠者的免疫反应和病毒载量(不同检测方法的目标)不断变化。即使是同一个供体，也可能在两种类型的检测中观察到不同的阳性/阴性结果。

在这项研究中，研究人员使用了2467名捐赠者的测试结果，每个人都使用一种或多种类型的COVID-19测试进行测试，这些测试被收集作为试验台。他们结合症状和人口统计信息，设计了一组使用五种类型的机器学习模型进行预测建模的特征。

了解COVID-19检测的可靠性

通过交叉检查测试类型和结果，他们检查了血清学和分子测试之间的相关性。为了测试结果预测，他们使用血清学或分子测试结果将2467名供体标记为阳性或阴性，并创建症状特征来代表每个供体，供机器学习使用。

如果没有症状报告的标准化，症状特征空间将大大增加。为了解决这个问题，他们使用了这种分箱方法，能够在保留样本特征信息的同时减少症状特征空间。


预测建模是复杂的许多令人困惑的问题尚未得到研究。我们的研究人员创建的测试台确实很新颖，清楚地显示了不同类型的COVID-19测试之间的相关性。这种基于人工智能的预测建模方法在对抗传染病和许多其他方面的健康问题方面变得越来越强大。



来源:Medindia