Aug, 2023

利用 Apriori 关联规则挖掘从康复和死亡患者中发现 COVID-19 的症状模式

PDF
TL;DR该研究使用关联规则挖掘算法基于 Apriori 算法分析 COVID-19 患者的数据，发现最常见的症状为呼吸暂停（72%），咳嗽（64%），发热（59%），虚弱（18%），肌肉疼痛（14.5%）和喉咙痛（12%）。该方法为临床医生提供宝贵的见解，有助于有效管理和治疗该疾病。
covid-19 symptomsmachine learning algorithmsassociation rule miningapriori algorithmsymptom patterns
发现论文，激发创造
  • 基于症状的机器学习模型用于 COVID-19 的早期检测：文献综述

    通过病人症状，临床数据和医疗成像的大数据集，机器学习模型能够分析预测 COVID-19，其中症状为基础的模型表现良好，但图像为基础的模型的精确度通常较高。

    Dec, 2023

  • COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习

    利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

    Jun, 2024

  • 利用机器学习分类算法预测 COVID-19 患者的康复或死亡情况

    COVID-19 研究，利用人工智能和机器学习算法进行快速和准确的诊断以及通过临床数据对患者的预后进行预测。同时，调查了临床和 RT-PCR 对预测病患康复和死亡的影响，并发现机器学习在预测康复和死亡方面是可行的。

    Nov, 2023

  • 基于深度学习的多模式 COVID-19 症状检测和概率加权模式

    本文提出了一种多模式方法，通过结合现有的卷积神经网络深度学习分类器和一个新的考虑每种症状流行度的概率加权函数，以预测 COVID-19。实验结果表明，在考虑加权函数时，相比于等权重函数，我们的方法显著提高了 COVID-19 的检测效果。

    Sep, 2021

  • 利用在线搜索追踪 COVID-19

    本研究使用在线搜索频率的时间序列来洞察多个国家的 COVID-19 盛行情况，并开发了基于联合王国国家卫生服务和公共卫生英格兰公共卫生实验室识别的相关症状类别的无监督建模技术。结果表明，基于在线搜索的模型比由报道的确诊病例和死亡事件组成的做出了更早的预测，并证明了在线搜索数据可以用来开发补充公共卫生监测方法，以帮助应对 COVID-19。

    Mar, 2020

  • 使用过程挖掘分析医学数据：COVID-19 病例研究

    本文介绍了通过数据科学中的过程挖掘技术对 Uniklinik Aachen 医院 COVID-19 患者的医疗数据进行分析，以及成功实现 ICU 治疗模型的重建。

    Feb, 2022

  • 利用机器学习和自然语言处理方法来研究 COVID-19 研究的时间演变

    本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。

    Jul, 2020

  • 基于图聚类算法的 Covid-19 数据集分析研究

    COVID-19 病毒引发的新冠疫情已成为世界性的灾害，研究表明 AI 和机器学习算法可以通过分析蛋白质相互作用和基于图的聚类算法来提供有关病毒的重要信息。

    Aug, 2023

  • 利用文本挖掘技术进行 COVID-19 文献挖掘和检索

    使用 NLP 技术，如词袋、平均词向量、平均 BERT 基础模型和 Tf-Idf 加权词向量模型，结合余弦相似度算法，在 CORD-19 数据集中找出与 COVID-19 主题有关的研究文献。

    May, 2022

  • 自我报告的症状能否预测每日 COVID-19 病例？

    本研究开发了机器学习模型，利用自我报告的症状估计 COVID-19 的患病率，并通过在线平台采集的众包数据展示了这些模型可以在成本效益高的情况下补充现有的流行病学监测基础设施。

    May, 2021