ニュース

Dec 04, 2023

新型コロナウイルス感染症入院患者の入院期間を予測するための人工ニューラルネットワーク訓練アルゴリズムの比較

Infezione da BMC

BMC 感染症第 22 巻、記事番号: 923 (2022) この記事を引用

1178 アクセス

1 引用

1 オルトメトリック

メトリクスの詳細

2019 年コロナウイルス感染症 (COVID-19) の急激な蔓延は、病院のリソース (ベッド、スタッフ、設備) の深刻な不足により、世界中の医療システムに予期せぬ経済的負担を引き起こしています。 患者の入院期間 (LOS) を管理して臨床ケアと病院リソースの利用を最適化することは非常に困難です。 将来の需要を予測するには、患者の LOS を確実に予測する必要があり、これは適切な措置を講じるのに役立ちます。 したがって、この研究の目的は、新型コロナウイルス感染症患者の病院での LOS を予測するための最適なトレーニング アルゴリズムに基づく多層パーセプトロン人工ニューラル ネットワーク (MLP-ANN) アルゴリズムを使用してモデルを開発および検証することです。

単一施設の登録を使用して、2020年2月9日から2020年12月20日までの検査室で確認された新型コロナウイルス感染症の入院患者1,225人の記録が分析された。 この研究では、まず、ANN モデルの入力として最も重要な変数を決定するための相関係数手法が開発されました。 P 値 < 0.2 の相関係数を持つ変数のみがモデルの構築に使用されました。 次に、完全かつ選択された特徴データセットに基づく 12 のトレーニング アルゴリズムに基づいて予測モデルが開発されました (トレーニングの 90%、うち 10% がモデル検証に使用)。 その後、最適な ANN トレーニング アルゴリズムを選択するために、二乗平均平方根誤差 (RMSE) を使用してモデルのパフォーマンスを評価しました。 最後に、合計 343 人の患者がモデルの外部検証に使用されました。

特徴選択を実装した後、モデルを構築するために、合計 20 個の変数が新型コロナウイルス感染症患者の LOS に寄与する要因として決定されました。 実施された実験では、ベイジアン正則化 (BR) トレーニング アルゴリズムの隠れ層に 20 個と 10 個のニューロンを備えたニューラル ネットワークが、全体および選択された特徴に対してそれぞれ RMSE 1.6213 および 2.2332 で最高のパフォーマンスを発揮することが示されました。

MLP-ANN ベースのモデルは、入院時にすぐに入手できるデータを使用して、新型コロナウイルス感染症の入院患者の LOS を確実に予測できます。 この点において、私たちの研究で開発されたモデルは、医療システムが限られた病院リソースを最適に割り当て、情報に基づいた証拠に基づいた意思決定を行うのに役立ちます。

査読レポート

2019 年コロナウイルス病 (COVID-19) は非常に伝染性の高いウイルス感染症で、これまでのところ世界中で急速に広がり続けており、深刻な世界的な健康問題となっています。 新型コロナウイルス感染症（COVID-19）の急速な発生により、医療機関は病院のリソース不足と最前線の医療従事者の疲弊にさらされました[1、2、3、4、5、6]。 これまでのところ、臨床症状は、無症候性または軽度のインフルエンザ様症状から、重度の呼吸器疾患や肺炎、集中治療室 (ICU) 入院、多臓器不全 (MOF)、そして最終的には死亡に至るまで、さまざまな患者間でかなりの不均一性を示しています [7] ]。 新型コロナウイルス感染症（COVID-19）の高い感染率、新たな変異株の出現、未知の臨床パターンは、医療システムに多大な圧力をかけています。 その結果、医療を求める患者の数が大幅に増加し、入院が急増しています[8、9]。 この過密状態は、ウイルスの蔓延の潜在的な影響、特に低中所得国（LMIC）の深刻な資源制約がある医療システムへの潜在的な影響について深刻な懸念を引き起こしている[10、11]。 このパンデミック危機において、医療をより手頃な価格にし、病院の混雑を防ぐためには、病院で利用可能な医療設備（例：病院のベッドや人工呼吸器など）を効果的に使用するための客観的で証拠に基づいた介入を採用することが重要です。 [12]。

パンデミックが悪化するにつれ、患者とサービス提供者の結果としてのニーズを特定することが不可欠になっています。 各ケースでどれくらいの期間入院サービスが必要になるかを予測する必要があります[13、14]。 在院日数（LOS）は、医療サービスの質とリソース利用率の重要な尺度であり、特に医療費の増加を考慮すると、医療費を削減するためによく使用されます[15、16]。 臨床医の観点から見ると、新型コロナウイルス感染症の流行中、栄養レベルの低下、市中感染、薬物有害事象、その他の臨床問題などの有害事象のリスクを軽減するために、LOS を予測することが非常に重要になっています。 さらに、病院管理の観点から見ると、LOS は、医療の質の高いサービス、ケア計画、病院の人員配置、リソースの割り当て、トリアージの支援、および予約スケジュールのパフォーマンスを評価するための基本的な尺度の 1 つです [17、18、19、20] ]。 新型コロナウイルス感染症で入院している患者の長期入院期間を正確に予測し、影響を与える要因を特定することは、限られた病院リソースの最適な管理と利用に貢献できます。 さらに、LOS 指標を予測することで、政策立案者や臨床医はクリニカルパスを再設計し、医療リソースを最大限に活用するためのボトルネックを認識することができます [21、22、23]。 しかし、LOSは多くの要因の影響を受ける可能性があり、特に現在の新型コロナウイルス感染症危機のような複雑で新規かつ曖昧な病状では、その予測が困難になる可能性があります[21、22]。 病院の LOS を予測するために従来の統計的手法が採用されてきましたが、その有効性は臨床データの高次元、打ち切り、不均一な性質によって制限されています [24、25]。 したがって、この状況では、医療システムが逼迫しているため、データ駆動型の機械学習 (ML) ソリューションを採用することで、リソースの利用率を改善し、患者の入院のボトルネックを解消しようとしています [26、27]。

ML は人工知能 (AI) のサブ領域であり、人間の介入やプログラミング設計を最小限に抑えながら、独特の関係を抽出したり、見慣れないパターンを特定したりするために、大量の遡及的なデータセットの分析と推論に適用できます [28、29]。 さらに、ML 技術を医療現場で使用して、予後モデリングを強化し、特定の目標結果に関連する新しい寄与因子を明らかにして、将来の傾向や不明瞭な傾向を予測することもできます [28、30]。 この研究で選択された ML 技術は、人工ニューロンと呼ばれる接続されたノード (入力-隠れ出力) の集合に基づいて生物学的人間のニューロンのタスクを模倣する人工ニューラル ネットワーク (ANN) です [31、32]。 ANN は、反復学習プロセスを通じて、病気や関連する医療事象の複雑なパターンを認識して分類するようにトレーニングできます。 ANN を設定するには、トレーニング アルゴリズムを通じて重みを変更することにより、トレーニング パターンを使用してトレーニングする必要があります。 ANN のトレーニングは、いくつかの提案されたアルゴリズムによって実行できます [4、8]。 さまざまなトレーニング アルゴリズムが多くの分野で評価され、その利点と欠点が調査されています [33、34、35、36]。

これまでのところ、ほとんどの取り組みは、病院の LOS 予測とその影響要因の決定に ANN を適用することに焦点を当ててきました [21、37、38、39、40、41]。 ネトら。 は脳卒中患者の LOS の予測を試み、ANN が RMSE と平均絶対誤差 (MAE) それぞれ 5.9451 と 4.6354 という最良の結果を得たと報告しました [41]。 ローネイら。 長期にわたる LOS を予測するために、多層パーセプトロン (MLP) と修正 MLP を含む 2 つのフィードフォワード ANN を比較し、修正 MLP が感度 62.7%、特異度 96.6%、受信機下の面積で最高のパフォーマンスを発揮すると報告されました。動作特性曲線 (AUROC) は 90.5% です [42]。 モートンら。 は、入院糖尿病患者の LOS を予測するために RMSE 5.9451、MAE 4.6354 の ANN 技術を使用することで最も成功した結果が得られると結論付けています [40]。 クルカリンら。 は、90.87% の精度で冠状動脈患者の長期 LOS を予測するための MLP ベースのモデルを設計しました [39]。 同様に、Bacchi らによる別の研究も行われています。 MLP は、MAE 0.246、RMSE 0.369、AUC 0.864 で LOS の予測において最高の精度を達成したことを示しました [43]。 Kabir と Hijjry は、別々の研究で LOS を予測する予測モデルを開発し、その結果、バックプロパゲーション ニューラル ネットワークがそれぞれ 92.58% と 78.29% の精度で、これらの研究の他のすべてのモデルよりも優れていることが明らかになりました [37、38]。 イーストら。 ANN で開発されたモデルが長期 LOS の予測において最高のパフォーマンスをもたらしたと報告しました (AUC 0.9760%) [44]。 ただし、最も効果的な ANN トレーニング アルゴリズムと構造を決定するための研究は、新型コロナウイルス感染症に関しては行われていません。 この研究は、入院時に入手可能な日常的な臨床データに基づいて、新型コロナウイルス感染症入院患者の LOS を予測するための ANN ベースのモデルを遡及的に開発および検証することを目的としていました。 この目的を達成するために、予測モデルを構築するための最適なアルゴリズムを選択するために、12 の ANN トレーニング アルゴリズムを確立およびテストしました。

これは、ANNトレーニングアルゴリズムを比較することにより、新型コロナウイルス感染症入院患者のLOSを予測するために2021年に実施された、後ろ向き、単一施設、横断的研究である。 この研究では、ANN ベースのモデルを開発するために、アヤトラ タレガニ病院の新型コロナウイルス感染症 (COVID-19) 病院ベースの登録データベースが遡及的に分析されました。 アヤトラ・タレガーニは、イランのアバダーン市にある大規模な学術病院で、多様な患者集団を治療しています。

分析データセットには、重症急性呼吸器症候群コロナウイルス 2 (SARS-CoV-2) に対する喉ぬぐい液のリアルタイム逆転写酵素 PCR (RT-PCR) 検査が陽性で、入院日が 2020 年 1 月 9 日から 1 月までの患者のみが含まれています。 2021年1月20日。この期間中、新型コロナウイルス感染症の疑いのある合計12,885例がアヤトラ・タレガニ病院の外来および救急科（ED）に紹介された。 このうち3,350人がPCR検査で新型コロナウイルス感染症と確認された。 救急外来から退院した患者は転帰が不明のため除外された。 研究期間内に新型コロナウイルス感染症に関連して複数回入院した患者については、初回来院のみを対象とした。 18 歳未満の患者も除外されました (n = 36)。 これらの患者は小児探索の範囲に含めるべきです。 さらに、入院後 3 日以内に死亡した患者は分析から除外されました (n = 128)。 疾病管理予防センター（CDC）、欧州疾病予防管理センター（ECDD）、国立感染症センター（NCID）などの公衆衛生当局は、症状、特に発熱と呼吸器症状は3日間で解消すると述べているため、は安全な退院のカットオフであり、3 日間の LOS カットオフが考慮されました [45]。

モデルの予測パフォーマンスに対する欠損データの影響を克服するために、欠損データ (70% 以上) を含むすべてのレコードが分析から除外されました (n = 228)。 さらに、残りの欠損値は各変数の平均値または最頻値で代入されました。 ノイズの多い異常な値、エラー、重複、無意味なデータは、2 人の感染症専門家と協力して研究者によって評価されました。 データ前処理の異なる解釈については、対応する医師に問い合わせました。 包含/除外基準を適用した後、1,225 件の記録が研究に入力されました (図 1)。 研究全体を通じて、有意水準 p < 0.02 を使用しました。

患者の選択を説明するフローチャート

データベースでは、各患者について、人口統計 (5 つの変数)、臨床症状 (14 の変数)、併存疾患/危険因子 (7 つの変数)、検査結果 (26 の変数)、および治療介入 (1 つの変数) を含む合計 53 の変数が取得されました。変数) (表 1)。

病院の LOS は結果変数とみなされます。 この期間の測定値は、患者が入院してから退院するか、別の病院に紹介されるか、または入院中に死亡するまでの日数を使用して計算される連続変数です。

特徴選択または変数選択は、最も意味のある変数を決定し、データセットの次元を削減し、ML アルゴリズムの効率を向上させるために使用される効果的な手法です [46]。 この研究では、相関係数値が 0.2 未満 (P 値 < 0.2) の変数が、新型コロナウイルス感染症患者の LOS を予測する際の有効な危険因子として特定され、ANN モデルに組み込まれました。

ANN は、生物学的ニューラル ネットワークの機能をエミュレートする一連のコンピューティング アルゴリズムです。 モデルのコンポーネントは、ノード、重み、層 (入力層、隠れ層、出力層) です (41)。 MLP-ANN は、構造の柔軟性、優れた表現機能、および多数のトレーニング アルゴリズムにより、最も単純で最も一般的に使用される ANN アーキテクチャです [47、48]。 この研究では、MLP-ANN を開発するために、Levenberg-Marquardt (LM)、ベイズ正則化 (BR)、Broyden-Fletcher-Goldfarb-Shanno (BFGS)、準ニュートン、復元力のあるバックプロパゲーション ( RP)、スケーリング共役勾配 (SGC)、パウエル/ビール (CGB) 再スタートによる共役勾配、共役勾配フレッチャー・パウエル (CGF)、ポラック・リビエールによる共役勾配 (CGP) 更新、ワン ステップ セカント (OSS)、勾配降下法可変学習率 (GDX)、運動量勾配降下法 (GDM)、および勾配降下法 (GD) バックプロパゲーションを表 2 に示します。さらに、隠れ層内のニューロンの最適な数を選択することは、次のような影響を与えるため、重要かつ困難な問題です。 ANN のパフォーマンスと効率。 したがって、隠れ層内のニューロンの最適な数は、隠れ層内の異なる数のニューロンを使用して ANN を構築することによって決定されます。 この研究では、学習アルゴリズムの選択がネットワークのパフォーマンスに及ぼす影響を徹底的に調査できるように、アルゴリズムの基本パラメータを同じとみなすことを試みました。 すべてのシミュレーションは、53 個の特徴を含むフル機能のデータセットと、特徴選択を実行した後の 20 個の特徴を含む派生データセットを使用して実装されました。

各モデルのパフォーマンスは、10 倍交差検証法を使用して LOS を予測するための RMSE に基づいて評価されました。 この方法では、データセットをモデルのトレーニングに使用するトレーニング パーティションとモデルのパフォーマンスの検証に使用するテスト パーティションに分割することで、ML アルゴリズムをトレーニングおよび評価します [49、50]。 私たちの研究では、ANN へのサンプル パターンの提示順序における起こり得る偏りを回避するために、データセットをトレーニング用に 90%、テスト用に 10% にランダムに分割しました。

LOS 予測に最適なニューラル ネットワーク トレーニング アルゴリズムと隠れ層の最適なニューロン数を特定した後、外部検証を行うために、アヤトラ タレガニ病院で 3 か月の前向き研究を実施しました。 最良のモデルを適用して、PCR 検査によって新型コロナウイルス感染症が確認され、2021 年 2 月 1 日から 2021 年 4 月 30 日までに当院に入院したすべての入院患者 (患者 343 人) の LOS を予測しました。 選択したニューラル ネットワークの出力とベンチマークとしての実データとの比較は、RMSE を計算することによって実行されました。

この研究は、アバダン医科大学倫理委員会によって承認されました（コード：IR.ABADANUMS.REC.1399.222）。 患者のプライバシーと機密性を保護するために、データの収集と提示の過程ですべての患者の一意の識別情報を秘匿しました。

この研究では、アヤトラ・タレガニ病院で2020年1月9日から2021年1月20日までに評価された新型コロナウイルス感染症陽性患者1225人の医療記録を対象に遡及分析が実施され、664人（54.20％）の患者が男性であったことが明らかになった。 561 人 (45.80%) が女性でした。 全体の平均年齢は 57.25 歳 (四分位間 18 ～ 100) 歳でした。 合計170人（13.87％）の患者がICUに入院し、1055人（86.13％）が一般病棟に入院した。 このデータセット内の 1225 レコードの記述統計を表 3 に示します。

P < 0.2 の相関係数に基づいて、COVID-19 病院の LOS に影響を与える最も重要な診断基準を決定するための特徴選択の結果を表 4 に示します。

特徴の選択後、合計 20 の特徴が P < 0.2 で決定された相関係数を取得しました。 年齢、クレアチニン、白血球（WBC）数、リンパ球/好中球数、血中尿素窒素（BUN）、アスパラギン酸アミノトランスフェラーゼ（ASP）、アラニンアミノトランスフェラーゼ（ALT）、乳酸デヒドロゲナーゼ（LDH）、活性化部分トロンボプラスチン時間（PTT）などの特徴)、咳、高血圧、心血管疾患 (CVD)、糖尿病、呼吸困難、酸素療法、肺炎、胃腸 (GI) 合併症、赤血球沈降速度 (ESR)、および C 反応性タンパク質 (CRP) が最も重要な要因として特定されました。病院の損失を予測します。

最適な予測モデルを決定するために、複数の構成を持つさまざまな MLP ネットワークがトレーニングされ、10 倍の相互検証を使用してパフォーマンスが評価されました。 表 5 と表 6 は、異なるトレーニング アルゴリズムを使用した各ネットワークの RMSE レートと、両方のデータセットの隠れ層のニューロンの数を示しています。

表 5 と表 6 によると、合計 53 個の危険因子を使用して、隠れ層の 20 個のニューロンを含むニューラル ネットワークと BR トレーニング アルゴリズムによって最良の結果が得られました。 この手法の RMSE は 1.6213 で、設計されたネットワークの中で最も低いエラー率でした。 この結果は、選択した特徴 (n = 20) に基づいて、BR トレーニング アルゴリズムと 10 個の隠れニューロンを備えたニューラル ネットワークが最良の結果 (RMSE = 2.2332) を達成したことも示しました。 これら 2 つのモデルの誤差ヒストグラムを図 2 に示します。

最良のモデルの誤差ヒストグラム

図 2 によると、選択された特徴を含むデータセットのエラー率は高くなりますが、エラー分布は良好であり、サンプルが小さい場合、CDC しきい値 (つまり 3 日) よりも大きなエラーを示しています。 データセット全体に基づく BR トレーニング アルゴリズムのネットワーク アーキテクチャを図 3 に示します。

新型コロナウイルス感染症による LOS 予測に使用される 20 個のニューロンを備えた BR トレーニング アルゴリズムのアーキテクチャ

外部評価では、最良の LOS 予測モデルが前向き研究に利用され、RMSE 2.8529 で患者の LOS が予測されました。 図 4 は、トレーニング関数として BR を備えた MLP と隠れ層の 20 個のニューロンを使用した外部検証ケースの LOS の実際の値と予測値を比較しています。

最適なニューラル ネットワークの出力と外部検証サンプルの実際のデータの比較

外部検証の誤差ヒストグラム（図5）は、提案されたモデルが入院中の新型コロナウイルス感染症患者のLOSを予測する優れた能力を備えていることを示し、サンプルが少ない場合、2日を超える誤差を示します。

外部検証サンプルの LOS 予測モデルの誤差ヒストグラム

この研究では、完全な特徴データセットと選択された特徴データセット (それぞれ 53 個と 20 個の特徴) を使用して、新型コロナウイルス感染症患者の LOS を予測するためのいくつかの MLP ニューラル ネットワーク トレーニング アルゴリズムを開発および評価しました。 実験結果から、BR は、新型コロナウイルス感染症患者の LOS 予測において他の技術と比較して最高のパフォーマンスを示し、全体および選択された特徴データセットに対して、それぞれ RSME が 1.6213 (レイヤー 20) と 2.2332 (レイヤー 10) であったことが明らかになりました。 本研究では、最も重要な変数 (n = 20 の予測子) が、P 値 < 0.2 のレベルの相関係数によって特定されました。 これらの変数には、年齢、クレアチニン、WBC、リンパ球/好中球数、BUN、ASP、ALT、LDH、活性化PTT、咳、高血圧、CVD、糖尿病、呼吸困難、酸素療法、肺炎、消化管合併症、ESR、CRPが含まれます。

最適なネットワーク トレーニング アルゴリズムの決定は、問題の複雑さ、トレーニング セット内のデータ量、ネットワーク内の重みとバイアスの数、誤差の目標、ネットワークがパターン認識に使用されるかどうかなど、多くの要素に依存します。または関数近似 [51、52]。 私たちの研究では、LM トレーニング アルゴリズムも関数の推定において満足のいくパフォーマンスを示しました。 LM が低い数値重みでトレーニングされた場合、他のトレーニング アルゴリズムよりも迅速に収束し、エラー率が大幅に低くなります。 しかし、高い数値重みでトレーニングすると、効率が低下します [53, 54]。 LM と同じ共役勾配ベースのトレーニング アルゴリズム (SCG、CGB、CGF、および CGP) は、関数の推定とパターンの認識において優れたパフォーマンスを発揮します。 さらに、重量数が増加しても効率が大幅に低下することはありません [55、56]。 本研究では、LM に加え、SCG、CGB、CGF、および CGP に基づくアルゴリズムも満足のいくパフォーマンスを示しました。 RP アルゴリズムは、パターン認識の能力が優れていることが実証されたため、他のトレーニング アルゴリズムと比較して関数近似において望ましくないパフォーマンスを示しました [57、58]。 BFGS 準ニュートンは LM ほど多くのストレージを必要としませんが、反復ごとに逆行列を計算する必要があるため、必要な計算は ANN のサイズに比例して増加します。 この研究で示されているように、GDX は収束が遅く、他の 2 つの勾配降下法アルゴリズム (GDM と GD) は関数近似ではうまく機能しません [59、60]。 BR トレーニング アルゴリズムは、LM 最適化手法を使用してネットワークの重みとバイアスを更新します。 二乗誤差と重みの組み合わせを最小限に抑え、一般化性の高いネットワークにつながる適切な組み合わせを模索します [61、62]。 BR は一般化性の高いネットワークを探すため、私たちの研究では、このトレーニング アルゴリズムによって最良の結果が得られました。

同様に、Conde-Gutie'rrez ら。 研究では ANN 手法を使用して、メキシコにおける新型コロナウイルス感染症による累積死亡者数をモデル化して予測しました。 彼らは、LM、BFGS、バッチ GD トレーニング アルゴリズムを適用して係数 (重みとバイアス) を適合させました。 実際のデータと、トレーニング アルゴリズムを使用したときに ANN モデルによって得られたデータとを比較すると、RMSE がそれぞれ 0.2290、0.2165、0.7722 という満足のいく相関関係が示されています。 計算時間に基づくと、LM アルゴリズムは、新型コロナウイルス感染症による死亡のダイナミクスをモデル化するのに最も適しています。 LM アルゴリズムは確率的に最も短い時間 (46.23 秒) で係数を推定しましたが、BFGS 準ニュートン アルゴリズムは実際のデータに対してより高い精度で適合することを示しました。 バッチ GD アルゴリズムは実際のデータをモデル化する能力が最も低く、隠れ層により多くのニューロンが必要でした [63]。 ナマスドラら。 は、新型コロナウイルス感染症の症例を予測するための非線形自己回帰 (NAR) ニューラル ネットワーク時系列 (NAR-NNTS) モデルを発表しました。 この NAR-NNTS モデルは、SCG、LM、および BR トレーニング アルゴリズムを使用してトレーニングされます。 その結果、LM でトレーニングされた NAR-NNTS モデルは、新型コロナウイルス感染症 (COVID-19) の疫学データ予測において他のモデルよりも優れたパフォーマンスを発揮することが示されました [64]。 サポンら。 は、250 人の糖尿病患者のデータを使用してネットワークをトレーニングし、疾患パターンを特定しました。 彼らは、BR、BFGS、LM を含む 3 つのトレーニング アルゴリズムを使用しました。 BR アルゴリズムは、BFGS 準ニュートン アルゴリズムや LM アルゴリズムと比較して、糖尿病の予測において最高のパフォーマンスを示しました。 BFGS 準ニュートン アルゴリズムは 578 エポックで 0.86714 の相関係数を保持しましたが、BR アルゴリズムは 37 エポックで 0.99579 を取得し、LM は 5 エポックのみで 0.6051 を保持しました。 したがって、彼らの研究によると、BR アルゴリズムは、推定されたターゲットと実際の出力 (つまり、0.99579) の間に 88.8% の予測精度で良好な相関関係を示し、効果的な糖尿病予測を実行するためのこのアルゴリズムの正しさを示す検証が確認されました [65] 。 ナラヤンら。 臨床歩行力学を推定するためにネットワークをトレーニングするために、LM、RP、GDM を含む 3 つのトレーニング アルゴリズムを比較しました。 相関係数の結果から、歩行力学を推定する際に、RP モデルや GDM モデルよりも LM モデルの大きな可能性が明らかになりました [66]。 カリムらは、303 個のサンプルのデータを使用して心臓病を予測しました。 GD、GDM、RP、SCG、CGP、CGF、BFGS Quasi-Newton、LM などのさまざまなトレーニング アルゴリズムを比較しました。 彼らの発見によると、BFGS 準ニュートン トレーニング アルゴリズムは、最適な速度と精度により、心臓病の ANN 予測モデルの開発に最適です [67]。

多くの研究は、特定の特徴が病院の LOS に関連していることを示しています [8、13、14、18、19、68、69]。 レビューされた研究でLOSの長期化に影響を与える最も重要な臨床変数には、年齢（高齢）[13、18、19、69]、併存疾患[8、14、68、69]（CVD、高血圧、糖尿病、喘息などの呼吸器疾患）が含まれるまたは慢性閉塞性肺疾患（COPD））、意識喪失[8、14、69]、BUNの増加[8、14、18、19]、白血球増加症[8、68]、酸素飽和度（SPO2）の低下[13、18] 、19、68]、人工呼吸器（酸素療法）[8、14、69]、胸水[13、19、68]、空咳[13、69]、発熱[8、18、19、69]。 一般に、現在の研究で選択された最も一般的な変数を使用してレビューされた研究の変数を分類および優先順位付けした結果から、高いコンプライアンスが観察されました。 私たちの研究の結果は、設計されたANNモデルが、初回入院時にすぐに利用できる臨床変数を使用することにより、COVID-19患者のLOSを効果的に予測できることを示しました。

提示されたアルゴリズムの強力さ、アプローチの新規性、および有望な予測結果にもかかわらず、この研究には認識すべきいくつかの限界がありました。 まず、不均一または不均衡、ノイズ、重複、無意味な値の影響を受け、結果が歪む可能性がある遡及的なデータセットを扱いました。 したがって、交絡因子を可能な限り排除することで、データセットのバランスがとられました。 第二に、この研究は単一の地域センターで実施され、1,225 件の記録のみに基づいていました。 したがって、結果は一般化できない可能性があり、モデルの適用可能性が他のコンテキストに限定される可能性があります。 予測分析には ANN アルゴリズムのみを使用しましたが、他のアルゴリズムの方がパフォーマンスが優れている可能性があります。 分析はワクチンが開発される前の特定の新型コロナウイルス感染症コホート（アルファ変異体）に基づいていたため、特にデルタ変異体とミクロン変異体に関しては現代の使用への適用性が制限され、ワクチン接種人口も限定される可能性がある。 最後に、私たちの研究で開発されたモデルは、最初の入院時に一般的に利用できる機能に限定されています。 これは、入院データに基づいて 新型コロナウイルス感染症（COVID-19）の LOS を予測するという我々の研究の目的と一致していますが、放射線、画像、治療介入の特徴など、入院中に生成された特徴はモデルの結果を改善する可能性があります。 将来、予測データセット、多施設データセット、定性データセットでより多くの ML 技術を検証すれば、計算モデルのパフォーマンスを改善できる可能性があります。

LOS を予測することで、病院は全体的な患者数を評価できるようになり、その結果、患者の入院スケジュールの改善が可能になり、病院のベッド占有率の変動が減少します。 新型コロナウイルス感染症の入院患者の LOS を推定することは、関連する人員や施設の要件とともにベッド管理を効果的に計画するために重要です。 結果は、BR トレーニング アルゴリズムを使用した MLP が他のモデルよりも優れたパフォーマンスを発揮することを示しました。 さらなる検証により、私たちのモデルは、新型コロナウイルス感染症による損失を予測し、限られた病院リソースの使用を最適化するための、客観的で測定可能な証拠に基づいたツールとして機能すると期待されています。 私たちのモデルは 1 つの病院からのデータセットを使用してトレーニングされていますが、地理的に異なる場所からの多施設データセットを使用して再トレーニングすることもできます。これにより、新型コロナウイルス感染症患者の LOS を予測するモデルの一般化可能性が向上します。 将来の研究のために、多中心データセットを使用して ANN モデルをトレーニングすることが提案されます。 これは、トレーニングされたデータセットがより多様になり、モデルの予測パフォーマンスが向上するため、モデルの学習能力を向上させるのに役立ちます。

現在の研究中に生成および分析されたすべてのデータは一般に公開されていませんが、合理的な要求とアバダン医科大学の学生研究委員会の承認に基づいて責任著者から入手できます。

Liu Y、Wang Z、Ren J、Tian Y、Zhou M、Zhou T、Ye K、Zhao Y、Qiu Y、Li J. 一般開業医向けの COVID-19 リスク評価意思決定支援システム: 設計および開発研究。 J Med Internet Res. 2020;22(6): e19786。

記事 Google Scholar

Alom MZ、Rahman M、Nasrin MS、Taha TM、Asari VK: COVID_MTNet: マルチタスク深層学習アプローチによる COVID-19 検出。 arXiv プレプリント arXiv:200403747 2020。

Bansal A、Padappayil RP、Garg C、Singal A、Gupta M、Klein A. 新型コロナウイルス感染症パンデミックにおける人工知能の有用性: レビュー。 J Med Syst. 2020。https://doi.org/10.1007/s10916-020-01617-3。

記事 Google Scholar

Lai CC、Shih TP、Ko WC、Tang HJ、Hsueh PR。 重症急性呼吸器症候群コロナウイルス 2 (SARS-CoV-2) とコロナウイルス感染症 2019 (COVID-19): 流行と課題。 Int J 抗菌剤。 2020;55(3): 105924。

記事 CAS Google Scholar

フセイン A、ボーミック B 他新型コロナウイルス感染症と糖尿病: 知識は進歩中。 糖尿病治療臨床実践。 2020。https://doi.org/10.1016/j.diabres.2020.108142。

記事 Google Scholar

Moujaess E、Kourie HR、Ghosn M. 新型コロナウイルス感染症パンデミック中のがん患者と研究: 現在の証拠の体系的レビュー。 クリティカル・レブ・オンコル・ヘマトール。 2020;150: 102972。

記事 Google Scholar

Yadaw AS、Li YC、Bose S、Iyengar R、Bunyavanich S、Pandey G. 新型コロナウイルス感染症による死亡率の臨床的特徴: 臨床予測モデルの開発と検証。 ランセットデジタルヘルス。 2020;2(10):e516–25。

記事 Google Scholar

Hon Y、Wu X、Qu J、Gao Y、Chen H、Zhang Z. 2019 年のコロナウイルス感染症の臨床的特徴と入院期間長期化の予測モデルの開発。 アントランス医学博士。 2020. https://doi.org/10.21037/atm.2020.03.147。

記事 Google Scholar

Chiam T、Subedi K、Chen D、Best E、Bianco FB、Dobler G、Papas M. 新型コロナウイルス感染症陽性患者の入院期間。 J 臨床翻訳研究所 2021;7(3):3

CAS Google スカラー

リース EM、ナイチンゲール ES、ジャファリ Y、ウォーターロー NR、クリフォード S、他。 新型コロナウイルス感染症による入院期間：系統的レビューとデータ統合。 BMC医学。 2020;18(1):1–22。

記事 Google Scholar

Lucero A、Sokol K、Hyun J、Pan L、Labha J、Donn E、Kahwaji C、Miller G. 新型コロナウイルス感染症パンデミックにおける救急外来の在院日数の悪化。 J Am Coll Emerg Physicians オープン。 2021;2(3): e12489。

Google スカラー

ダギスタン TA、エルシャウィ R、サクル S、アーメド AM、アル・サウェイ A、アル・マッラー MH。 心臓病患者の入院期間の予測: 機械学習アプローチ。 Int J カーディオール。 2019;288:140–7。

記事 Google Scholar

チャンSY、ソンJY、ユンSJ、パクSY、イSH、オIH。 韓国で入院した新型コロナウイルス感染症患者の医療費と滞在期間を決定する併存疾患と要因。 リスク管理ヘルスポリシー。 2021. https://doi.org/10.2147/RMHP.S292538。

記事 Google Scholar

Thiruvengadam G、Lakshmi M、Ramanujam R. 南インドの三次医療病院におけるコックス比例ハザードモデルによる、新型コロナウイルス感染症患者の入院期間に影響を与える要因の研究。 J プリムケア地域医療。 2021;12:21501327211000230。

記事 Google Scholar

Saravi B、Zink A、Ülkümen S、Couillard-Despres S、Hassel F、Lang G。腰椎減圧手術後の入院期間の延長を予測するための人工知能ベースのアルゴリズムのパフォーマンス。 Jクリニック医学。 2022;11(14):4050。

記事 Google Scholar

蔡 PFJ、陳 PC、陳 YY、宋 HY、林 HM、林 FM、黄 QP。 人工ニューラルネットワークを用いた循環器患者の入院段階での入院期間予測。 J HealthC Eng. 2016年。https://doi.org/10.1155/2016/7035463。

記事 Google Scholar

Lapidus N、Zhou X、Carrat F、Riou B、Zhao Y、Hejblum G。Covid-19 パンデミックにおける集中治療室の平均在院日数の偏ったおよび不偏な推定。 アン集中治療室。 2020;10(1):135。

記事 Google Scholar

Alwafi H、Naser AY、Qanash S、Brinji AS、Ghazawi MA、Alotaibi B、Alghamdi A、Alrhmani A、Fatehaldin R、Alelyani A. サウジアラビアの新型コロナウイルス感染症入院患者の入院期間、死亡率、転帰の予測因子: 横断研究。 J Multidiscip Healthc. 2021;14:839。

記事 Google Scholar

Wu S、Xue L、Legido-Quigley H、Khan M、Wu H、Peng X、Li X、Li P. 非重症新型コロナウイルス感染症患者の入院期間に影響を与える要因の理解：方倉市での後ろ向きコホート研究避難所の病院。 PLoS ONE。 2020;15(10): e0240959。

記事 CAS Google Scholar

Wen Y、Rahman MF、Zhuang Y、Pokojovy M、Xu H、McCaffrey P、Vo A、Walser E、Moen S. Tseng T-LB: 新型コロナウイルス感染症患者の入院期間予測のためのイベント発生までの時間モデリング。 マッハ学習アプリ 2022;9: 100365。

Google スカラー

Dan T、Li Y、Zhu Z、Chen X、Quan W、Hu Y、Tao G、Zhu L、Zhu J、Jin Y: 新型コロナウイルス感染症患者の ICU 入室、ICU 死亡率、生存者の在院日数を予測するための機械学習: ICU リソースの最適配置に向けて。 参加者: 2020 IEEE バイオインフォマティクスおよび生物医学国際会議 (BIBM): 2020: IEEE; 2020: 555–561。

ウー C、グラス S、デマース S、タロック・パロミノ LG、ワンダー PL。 コロナウイルス感染症019（COVID-19）で入院した退役軍人が集団施設に退院する際の、検査ベースの隔離戦略と症状ベースの隔離戦略の場合の、急性期治療の超過入院期間と追加費用の推定。 感染制御病院エピデミオール。 2020。https://doi.org/10.1017/ice.2020.1295。

記事 Google Scholar

Ayyoubzadeh SM、Ghazisaeedi M、Kalhori SRN、Hassaniazad M、Baniasadi T、Maghooli K、Kahnooji K. イラン南部の総合病院におけるデータマイニング技術を使用した、患者の入院期間に関連する要因の研究。 健康情報科学システム。 2020;8(1):1–11。

Google スカラー

Bacchi S、Tan Y、Oakden-Rayner L、Jannes J、Kleinig T、Koblar S. 入院患者の入院期間の予測における機械学習。 Internal Med J. 2020. https://doi.org/10.1111/imj.14962。

記事 Google Scholar

Sherbet GV、Woo WL、Dlay S. がん管理における人工知能ベースのテクノロジーの応用: 人工ニューラル ネットワークの展開に関する解説。 抗がん剤研究 2018;38(12):6607–13。

記事 Google Scholar

シムム H、ザヤス・カストロ JL. 機械学習アルゴリズムを使用して、慢性疾患に関連する入院患者の長期入院を予測します。 Healthc Inform Res. 2020;26(1):20–33。

記事 Google Scholar

Roimi M、Gutman R、Somer J、Ben Arie A、Calman I、Bar-Lavie Y、Gelbshtein U、Liverant-Taub S、Ziv A、Eytan D、Gorfine M. 病気の経過を予測する機械学習モデルの開発と検証、および新型コロナウイルス感染症患者の病院利用：全国調査。 J Am Med Assoc に通知します。 2021;28(6):1188–96。

記事 Google Scholar

Shanbehzadeh M、Nopour R、Kazemi-Arpanahi H. 結腸直腸がんのリスクを予測するための 4 つのデータ マイニング アルゴリズムの比較。 J Adv Med Biomed Res. 2021;29(133):100–8。

記事 Google Scholar

Nassif AB、Azzeh M、Banitaan S、Neagu D. ゲスト編集者: 機械学習を使用した予測分析に関する特集号。 ニューラル コンピューティング アプリケーション 2016;27(8):2153–5。

記事 Google Scholar

ヘルナンデス＝スアレス DF、ランカ S、キム Y、ラティブ A、ワイリー J、ロペス＝カンダレス A、ピント DS、ゴンザレス MC、ラマクリシュナ H、サニーナ C. 機械学習に基づく経カテーテル僧帽弁修復術の院内死亡率予測米国。 心臓血管血管医学。 2020. https://doi.org/10.1016/j.carrev.2020.06.017。

記事 Google Scholar

Streun GL、Elmiger MP、Dobay A、Ebert L、Kraemer T. 小分子のデータ独立取得後に高分解能質量分析によって生成されたビッグデータを処理するための機械学習アプローチ - サンプル分類に人工ニューラル ネットワークを使用した概念実証研究。 薬物検査アナル。 2020;12(6):836–45。

記事 CAS Google Scholar

楊 H、張 Z、張 J、曾 XC。 機械学習と人工ニューラルネットワークによるグラフェンと六方晶窒化ホウ素間の界面熱抵抗の予測。 ナノスケール。 2018;10(40):19092–9。

記事 CAS Google Scholar

Sharma B、Venugopalan K. 脳 CT 画像における血腫分類のためのニューラル ネットワーク学習機能の比較。 IOSR J Comp Eng. 2014;16(1):31–5。

記事 Google Scholar

ボーエンWR、ジョーンズMG、ユセフHN。 タンパク質の動的限外濾過 – ニューラル ネットワーク アプローチ。 J メンバー Sci. 1998;146(2):225–35。

記事 CAS Google Scholar

Zhou L、Yang X. ニューラル ネットワークによる画像分類のトレーニング アルゴリズム パフォーマンス。 Photogramm Eng Remote Sens. 2010;76(8):945–51。

記事 Google Scholar

Aggarwal K、Singh Y、Chandra P、Puri M。ソフトウェア エンジニアリング アプリケーション向けのニューラル ネットワーク モデルにおけるさまざまなトレーニング アルゴリズムの評価。 ACM SIGSOFT ソフトウェア技術ノート。 2005;30(4):1–4。

記事 Google Scholar

Hijry H、Olawoyin R: メッカ巡礼中の救急部門における患者の在院日数予測のための機械学習アルゴリズムの応用。 開催日: 2020 IEEE 予後および健康管理に関する国際会議 (ICPHM): 2020: IEEE; 2020: 1-8。

Kabir S、Farrokhvar L: 入院期間の予測のための非線形特徴の選択。 開催日: 2019 第 18 回 IEEE 機械学習と応用国際会議 (ICMLA): 2019: IEEE; 2019: 945–950。

クルカルニ H、タンガム M、アミン AP。 経皮的冠動脈インターベンションを受けている急性冠症候群患者における入院期間の延長と急性期後ケアの必要性を人工ニューラルネットワークに基づいて予測します。 ユーロ・ジェイ・クリン・インベストメント 2021;51(3): e13406。

記事 CAS Google Scholar

Morton A、Marzban E、Giannoulis G、Patel A、Aparasu R、Kakadiaris IA: 糖尿病患者の短期入院期間を予測するための教師あり機械学習技術の比較。 開催日: 2014 第 13 回機械学習とアプリケーションに関する国際会議: 2014: IEEE; 2014: 428–431。

Neto C、Brito M、Peixoto H、Lopes V、Abelha A、Machado J: 人工ニューラル ネットワークを使用した脳卒中患者の入院期間の予測。 参加場所: 情報システムと技術に関する世界会議: 2020: Springer; 2020: 212–221。

Launay C、Rivière H、Kabeshova A、Beauchet O. 高齢の救急外来利用者の入院期間の長期予測: 新しい分析手法である人工ニューラル ネットワークの使用。 Eur J インターン医師。 2015;26(7):478–82。

記事 CAS Google Scholar

Bacchi S、Gluck S、Tan Y、Chim I、Cheng J、Gilbert T、Menon DK、Jannes J、Kleinig T、Koblar S. 自然言語処理と深層学習による一般医療入院期間の予測: パイロット研究。 インターン Emerg Med. 2020;15(6):989–95。

記事 Google Scholar

East A、Ray S、Pope R、Cortina-Borja M、Sebire NJ: 45 機械学習を使用して小児集中治療室の長期入院を予測します。 所属: BMJ Publishing Group Ltd; 2020年。

El Halabi M、Feghari J、Bahk J、de Lara PT、Narasimhan B、Ho K、Sehmbhi M、Saabiye J、Huang J、Osorio G、Mathew J. 入院と入院期間に関する新しい証拠に基づく予測ツール: 洞察ニューヨーク市の新型コロナウイルス感染症患者からの報告。 インターン Emerg Med. 2022;17(7):1879–89。 https://doi.org/10.1007/s11739-022-03014-9。

記事 Google Scholar

Karegowda AG、Manjunath A、Jayaram M。ゲイン比と相関ベースの特徴選択を使用した属性選択の比較研究。 Int J Inform Technol Knowl Maneg. 2010;2(2):271–7。

Google スカラー

Fazlollahi P、Afarineshkhaki A、Nikbakhsh R. 多層パーセプトロン (MLP) のネットワークのテストを使用して、東京 2020 オリンピック競技大会に参加する国のメダルを予測します。 アン・アプリスポーツ科学。 2020;8(4):1–12。

Google スカラー

テルタギリ P、ゴパラ クリシュナン C、ニシャン AH。 多層パーセプトロン分類技術を使用した、疾患患者の低ナトリウム血症の予後分析。 EAI は Trans Pervasive Health Technol を承認しました。 2021. https://doi.org/10.4108/eai.17-3-2021.169032。

記事 Google Scholar

アブジャベル A、ファドララ A、ナシュワン A、エル・メンヤル A、アル・サーニ H. 外傷性脳損傷患者の長期入院期間の予測: 機械学習アプローチ。 インテルベースの医学。 2022;6: 100052。

記事 Google Scholar

ダス A、ベンメナヘム T、クーパー GS、チャック A、シバク MV Jr、ゴネット JA、ウォン RC。 人工ニューラル ネットワークに基づく急性下部消化管出血の転帰予測: 予測モデルの内部および外部検証。 ランセット。 2003;362(9392):1261–6。

記事 Google Scholar

Nouir Z、Sayrac B、Fourestié B、Tabbara W、Brouaye F: 計画ツールの予測強化のためのニューラル ネットワーク学習アルゴリズムの比較。 開催日: 第 13 回欧州ワイヤレス会議、フランス、パリ: 2007 年。 2007年

Mohebbi A、Taheri M、Soltani A. 純粋冷媒および混合冷媒の遺伝的アルゴリズムを使用して飽和液体密度を予測するためのニューラル ネットワーク。 Int J 冷蔵庫。 2008;31(8):1317–27。

記事 CAS Google Scholar

Amellas Y、Djebli A、Echchelh A. mlp、rnn、elman ニューラル ネットワークを使用した Levenberg-Marquardt トレーニング関数により、テトゥアン市 (モロッコ北部) での時間ごとの予測を最適化します。 J Eng Sci Technol Rev. 2020;13(1):67–71。

記事 Google Scholar

Miaoli M、Xiaolong W、Honggui H: 動径基底関数ニューラル ネットワーク用の高速レーベンバーグ マルカート アルゴリズム。 掲載: 議事録 - 2020 中国自動化会議、CAC 2020: 2020; 2020: 6804–6809。

コラチョ MJ、オーランド HRB。 関数推定の共役勾配法の異なるバージョンの比較。 数値熱伝達アプリケーション 1999;36(2):229–49。

記事 Google Scholar

チョンSB、イSJ、パクGJ。 凹関数の共役勾配を使用した単一ループ単一ベクトル アプローチの収束能力の向上。 トランスコリアン Soc Mech Eng A. 2012;36(7):805–11。

記事 Google Scholar

Dutta M、Chatterjee A、Rakshit A: 自動デジタル AC ブリッジ用の復元力のあるバックプロパゲーション ニューラル ネットワーク ベースの位相補正システム。 掲載: CPEM ダイジェスト (高精度電磁測定に関する会議): 2004; 2004: 374–375。

Wang X、Wang H、Dai G、Tang Z: 勾配上昇を備えた信頼性の高い復元力のある逆伝播法。 収録: コンピューター サイエンスの講義ノート (サブシリーズの人工​​知能の講義ノートおよびバイオインフォマティクスの講義ノートを含む)。 巻。 4114 LNAI-II; 2006: 236–244。

Sotirov S、Atanassov K、Krawczak M: 時間制限のある可変学習率バックプロパゲーション アルゴリズムを使用したフィードフォワード ニューラル ネットワークの並列最適化のための一般化されたネット モデル。 に: 計算知能の研究。 巻。 299; 2010: 361–371。

Yu F、Hu Z: 可変重み付け学習アルゴリズムとその収束率。 日: 第 5 回自然計算国際会議、ICNC 2009: 2009; 2009: 373–377。

Khan I、Raja MAZ、Shoaib M、Kumam P、Alrabaiah H、Shah Z、Islam S. パンタグラフ遅延微分方程式を解くための、レーベンバーグ・マルカート法とベイジアン正則化逆伝播を使用したニューラル ネットワークの設計。 IEEE アクセス。 2020;8:137918–33。

記事 Google Scholar

Priya A、Garg S: 暗号通貨のベイズ正則化とレーベンバーグ・マルカート訓練アルゴリズムの予測機能の比較。 分野: スマート イノベーション、システム、テクノロジー。 巻。 159; 2020: 657–664。

Conde-Gutiérrez R、Colorado D、Hernández-Bautista S. メキシコにおける新型コロナウイルス感染症による死亡の動態を予測するための人工ニューラル ネットワークとゴンペルツ モデルの比較。 非線形Dyn. 2021;104(4):4655–69。

記事 Google Scholar

Namasudra S、Dhamodharavadhani S、Rathipriya R. 新型コロナウイルス感染症の症例を予測するための非線形ニューラル ネットワーク ベースの予測モデル。 神経プロセスレター 2021. https://doi.org/10.1007/s11063-021-10495-w。

記事 Google Scholar

Sapon MA、Ismail K、Zainudin S: 人工ニューラル ネットワークを使用した糖尿病の予測。 参照: 2011 年回路、システム、シミュレーションに関する国際会議議事録、シンガポール、2011 年。 2011: 299303。

Narayan J、Jhunjhunwala S、Mishra S、Dwivedy SK: 臨床歩行力学を推定するためのバックプロパゲーション トレーニング オプティマイザーの比較パフォーマンス分析。 で: 生物医学データ マイニングと分析における予測モデリング。 エルゼビア; 2022年：83-104。

Karim H、Niakan SR、Safdari R. 心臓病分類のためのニューラル ネットワーク トレーニング アルゴリズムの比較。 IAES Int J Artif Intell. 2018;7(4):185–9。 https://doi.org/10.11591/ijai.v7.i4.pp185-189

記事 Google Scholar

Çetin Ş、Ulgen A、Şivgin H、Wentian L. 新型コロナウイルス感染症入院患者の入院期間に影響を与える要因に関する研究。 J補体医学。 2021;11:396–404。

Google スカラー

Guo A、Lu J、Tan H、Kuang Z、Luo Y、Yang T、Xu J、Yu J、Wen C、Shen A. 新型コロナウイルス感染症患者の入院期間に関連する入院リスク要因：遡及コホート勉強。 Sci Rep. 2021;11(1):1–7。

Google スカラー

リファレンスをダウンロードする

このプロジェクトを財政的に支援してくださったアバダン医科大学の研究副官に感謝します。

この研究プロジェクトには資金提供がなかった。

イラン、北ホラーサーン医科大学（NKUMS）医学部先端技術学部医療情報学部

アザム・オロオジ

イラム医科大学、イラン、イラム医科大学、医療情報管理学部、医療情報技術学部、救急医療学部

モスタファ・シャンベザデ

イラン医科大学健康情報管理学部、テヘラン、イラン

エスマット・ミルバゲリ

イラン、アバダン医科大学、医療情報管理学部、医療情報技術学部

ハディ・カゼミ・アルパナヒ

イラン、アバダン医科大学、健康情報管理学部、学生研究委員会

ハディ・カゼミ・アルパナヒ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

HK-A、MS: 概念化。 データのキュレーション。 正式な分析。 調査; ソフトウェア; 役割/執筆 - 原案。 AO、EM、HK-A: 概念化。 正式な分析。 調査; ソフトウェア; 役柄・脚本・原案； 資金調達; 方法論; プロジェクト管理。 リソース; 監督; 執筆 - レビューと編集。 AO、MS、HK-A: 概念化。 調査; 方法論; 検証; 執筆 - レビューと編集。 著者全員が最終原稿を読んで承認しました。

ハディ・カゼミ＝アルパナヒへの通信。

この記事は、アバダン医科大学が支援する研究プロジェクトから抜粋されたものです。 承認されたプロトコールに基づいてデータ収集に参加したすべての被験者からインフォームドコンセントが得られました。 これらのデータの二次データ分析は、アバダン医科大学の倫理委員会および治験審査委員会によって承認されました (IR.ABADANUMS.REC.1399.222)。

適用できない。

著者らは、競合する利益を持たないことを宣言します。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。 データのクレジットラインに別途記載がない限り、クリエイティブ コモンズ パブリック ドメインの献身的権利放棄 (http://creativecommons.org/publicdomain/zero/1.0/) は、この記事で利用可能なデータに適用されます。

転載と許可

Orooji、A.、Shanbehzadeh、M.、Mirbagheri、E. 他新型コロナウイルス感染症の入院患者の入院期間を予測するための人工ニューラル ネットワーク トレーニング アルゴリズムの比較。 BMC Infect Dis 22、923 (2022)。 https://doi.org/10.1186/s12879-022-07921-2

引用をダウンロード

受信日: 2021 年 10 月 27 日

受理日: 2022 年 12 月 6 日

公開日: 2022 年 12 月 9 日

DOI: https://doi.org/10.1186/s12879-022-07921-2

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供