Makine öğrenimi kullanılarak belirti ve semptomlardan COVID-19 tespiti

Etkili SARS-CoV-2 (COVID-19) taraması, COVID-19'un hızlı ve kesin teşhisini sağlayarak sağlık sistemleri üzerindeki yükü azaltır. Etkili tedavilerin olmaması nedeniyle birincil sınırlama yaklaşımı, hasta insanları izole ederek enfeksiyonun yayılmasını kısıtlamaktır; yine de, etkilenmeyen insanları izole etmek son derece istenmeyen bir durumdur. COVID-19 tespiti için farklı makine öğrenme modelleri geliştirildi. Bu modeller, özellikle çatışma bölgeleri ve gelişmekte olan ülkeler gibi kaynakların asgari düzeyde olduğu yoksul bölgelerde, hastaların karantinaya alınmasında küresel olarak doktorlara yardımcı olmayı amaçlamaktadır. 2021'in sonunda, küresel resmi olarak kaydedilen COVID1-19 vakaları, 5.430.949 doğrulanmış ölümle 286.582.541'e ulaştı. Bu çalışma, COVID-19 teşhisini tahmin etmek için makine öğrenimi tabanlı modelleri dağıtmayı ve test etmeyi amaçladı. Naive Bayes (NB), Lojistik Regresyon (LR), Destek Vektör Makinesi (SVM), Çok Katmanlı Algılayıcı Sinir Ağı (MLP), Karar Ağacı (DT), Rastgele Orman (RF) ve eXtreme Gradient Boosting (XGBoost) olmak üzere yedi makine öğrenme modeli kullanılmıştır. Modeller, 208.726'sında (%9,7) COVID-19 olduğu bulunan 2.151.898 test edilmiş kişiden alınan veriler üzerinde eğitildi ve test edildi. COVID-19 test sonuçlarını kabul edilebilir doğrulukla tahmin etmek için sadece altı ikili özellik kullanıldı. Veriler; öksürük, ateş, boğaz ağrısı, nefes darlığı ve baş ağrısı gibi beş erken COVID 19 klinik belirtisi ve semptomları içermektekteydi. Ayrıca doğrulanmış COVID-19 vakasıyla temaslı kişilerin verileri de kullanıldı. Genel olarak, GitHub'dan elde ettiğimiz verilere bağlı olarak basit sorular sorarak test kapasitesi kısıtlandığında COVID-19 için testlere öncelik vermek için kullanılabilecek bir model oluşturma olasılığını değerlendirdik. Normal dengesiz verileri kullanıldığında; MLP, DT, RF ve XGBoost makine öğrenme modelleri ile %92,9 doğruluk, %60,4 duyarlılık, %96,4 özgüllük ve %62,2 F-skoru elde ettik. Dengeli sınıflar kullanıldığında ise makine öğrenme modelleri; %91,8 doğruluk, %65,1 duyarlılık, %94,7 özgüllük ve %62,2 F-skoru değerlerini üretti. Yalnızca semptomatik vakalar (161.915) kullanıldığında modeller; %70,8 doğruluk, %89,1 duyarlılık, %47,3 özgüllük ve %77,4 F puanı sonuçlarını verdi. Üç senaryoda XGBoost, RF, DT ve MLP en iyi sonuçları verdi. Eğitim süresi ile ilgili olarak, XGboost, RF ve DT, MLP'den daha hızlıydı. Anahtar Kelimeler: Makine Öğrenimi, Sınıflandırma, Teşhis, COVID-19, SARS- COV-2, İşaretler ve Belirtiler