Indiziert in
- Öffnen Sie das J-Tor
- Genamics JournalSeek
- Akademische Schlüssel
- JournalTOCs
- Forschungsbibel
- Ulrichs Zeitschriftenverzeichnis
- Zugang zu globaler Online-Forschung in der Landwirtschaft (AGORA)
- Elektronische Zeitschriftenbibliothek
- RefSeek
- Hamdard-Universität
- EBSCO AZ
- OCLC – WorldCat
- SWB Online-Katalog
- Virtuelle Bibliothek für Biologie (vifabio)
- Publons
- MIAR
- Genfer Stiftung für medizinische Ausbildung und Forschung
- Euro-Pub
- Google Scholar
Nützliche Links
Teile diese Seite
Zeitschriftenflyer
Open-Access-Zeitschriften
- Allgemeine Wissenschaft
- Biochemie
- Bioinformatik und Systembiologie
- Chemie
- Genetik und Molekularbiologie
- Immunologie und Mikrobiologie
- Klinische Wissenschaften
- Krankenpflege und Gesundheitsfürsorge
- Landwirtschaft und Aquakultur
- Lebensmittel & Ernährung
- Maschinenbau
- Materialwissenschaften
- Medizinische Wissenschaften
- Neurowissenschaften und Psychologie
- Pharmazeutische Wissenschaften
- Umweltwissenschaften
- Veterinärwissenschaften
- Wirtschaft & Management
Abstrakt
Mortalitätsvorhersage für COVID-19-Patienten: Methoden und Potenzial
Peter Gemmar
Die pandemische Ausbreitung des Coronavirus führt weltweit zu einer erhöhten Belastung der Gesundheitsversorgung. Die Erfahrung zeigt, dass die erforderliche medizinische Behandlung in lokalen Kliniken an ihre Grenzen stößt und eine schnelle und sichere klinische Beurteilung der Schwere der Krankheit von entscheidender Bedeutung ist. Biomarker werden regelmäßig für Intensivpatienten bestimmt. Mithilfe von maschinellen Lernwerkzeugen können geeignete Biomarker ausgewählt werden, um den Gesundheitszustand abzuschätzen und das Sterberisiko des Patienten vorherzusagen. Transparente Vorhersagemodelle ermöglichen weitere Aussagen über die Eigenschaften und Entwicklung der Biomarker im Zusammenhang mit spezifischen Gesundheitszuständen der Intensivpatienten.
In dieser Arbeit werden alternative und erweiterte Modellansätze (Support Vector Machine, naive Bayes, Fuzzy-System) mit in der Literatur vorgeschlagenen Modellen verglichen. Darüber hinaus werden Aspekte wie das Geschlecht der Patienten und Veränderungen der Biomarker über die Zeit in die Modellierung einbezogen. Zur Auswahl der Biomarker wird ein künstliches neuronales Netzwerk (SOM) verwendet. Eine statistische Analyse der Biomarker zeigt deren Werte und Veränderungen im kritischen Zustand der Patienten. Im Modellvergleich erzielte ein Fuzzy-Prädiktor vom Typ Sugeno die besten Ergebnisse für die Gesundheitsbewertung und Entscheidungsunterstützung. Das Fuzzy-System liefert kontinuierliche Ausgabewerte anstelle von binären Entscheidungen und so können zweifelhafte Fälle einer Ablehnungsklasse zugeordnet werden. Ein erweitertes Fuzzy-Modell berücksichtigt das Geschlecht des Patienten und den Trend der Schlüsselmerkmale über die Zeit und liefert so hervorragende Ergebnisse mit einer Genauigkeit von besser als 98 % mit den Trainingsdaten. Dies konnte jedoch aufgrund fehlender geeigneter Testdaten nicht endgültig überprüft werden. Die Generierung und das Training aller Modelle erfolgte vollautomatisch mit Matlab©-Tools und ohne zusätzliche Anpassung.