مقايسه كارايي الگوريتم‌هاي يادگيري ماشين براي ايجاد يك مدل پيش‌بيني‌كننده مرگ و مير بيماران بستري مبتلاء به كوويد-19

هدف: شيوع سريع ويروس SARSCoV2 در سراسر دنيا، سيستم‌هاي مراقبت سلامت را با چالش‌هاي جدي و غير منتظره در پيش‌بيني رفتار و پيامدهاي بيماري روبرو كرده است. براي غلبه بر اين چالش‌ها و ابهامات، هدف مطالعه حاضر ايجاد و اعتبارسنجي چند مدل پيش‌بيني مبتني بر تكنيك‌هاي يادگيري ماشين به منظور تعيين ريسك مرگ بيماران بستري شده مبتلاء به كوويد19 و انتخاب بهترين مدل مي‌باشد. مواد و روش‌ها: داده‌هاي 1224 بيمار بستري ثبت شده با تشخيص قطعي كوويد19 از پايگاه داده سامانه ثبت بيماران كوويد19 شهر ايلام استخراج شدند. سپس پارامترهاي تاثيرگذار در وقوع مرگ بيماران كوويد19 شناسايي و به عنوان ورودي الگوريتم‌هاي يادگيري ماشين منتخب شامل كاي نزديك‌ترين همسايه (kNN)، ماشين بردار پشتيبان (SVM)، رگرسيون لجيستيك (LR) و جنگل تصادفي (RF) استفاده شدند. در نهايت عملكرد مدل‌هاي طراحي شده بر اساس معيارهاي ارزيابي بر گرفته از ماتريكس آشفتگي (Confusion Matrix) مورد مقايسه قرار گرفت و مناسب‌ترين مدل پيش‌بيني‌كننده شناسايي گرديد. يافته‌ها: 17 پارامتر به عنوان متغيرهاي تاثيرگذار در مرگ و مير كوويد19 شناسايي شدند. پس از اندازه‌گيري و مقايسه عملكرد الگوريتم‌هاي يادگيري ماشين، الگوريتم kNN با دقت 94.21%، صحت 93.74%، فراخواني 100%، معيار اف 93.2% و سطح زير نمودار ROC 92.23% عملكرد بهتري را به دست آورد. نتيجه‌گيري: الگوريتم KNN قادر به پيش‌بيني خطر مرگ و مير بيماران كوويد19 با يك سطح مناسب از صحت و اطمينان به منظور پيش‌بيني موثر افراد پرخطر و انتخاب مداخله مناسب توسط متخصصين پزشكي است.