Iranian Journal of Epidemiology

fa شناسایی علایم و بیماری‌های زمینه‌ای مرتبط با بیماری کووید-19 و پیش‌بینی وضعیت مرگ با کمک رگرسیون لوژستیک و شبکه‌های عصبی مصنوعی: یک رویکرد داده‌کاوی Identification Symptoms and Underlying Diseases Related to COVID-19 And Prediction of Death Status Using Artificial Neural Network and Logistic Regression: A Data Mining Approach اپیدمیولوژی Epidemiology پژوهشي Research <div style="text-align: justify;">مقدمه و اهداف: شیوع و نرخ مرگ‌ومیر بالای بیماری کووید-19، علائم، اطلاعات جمعیت شناختی و بیماری‌های زمینه‌ای مؤثر در پیش‌بینی مرگ ناشی از آن را ضروری می‌سازد. لذا در این مطالعه قصد داریم به پیش‌بینی رفتار مرگ‌ومیر ناشی از کووید-19 در استان خراسان رضوی ‌بپردازیم. روش کار: در این مطالعه داده‌های کامل 47460 نفر از بیماران بستری در بیمارستان‌های استان خراسان رضوی از 4 اسفند 1398 تا 21 شهریور 1400 جمع‌آوری شد. برای تشخیص بازماندگان و غیر بازماندگان ناشی از کووید-19 روش شبکه‌های عصبی و رگرسیون لوژستیک و برای مقایسه دو مدل از حساسیت، ویژگی، صحت پیش‌بینی و سطح زیر منحنی مشخصه عملکرد استفاده گردید. یافته‌ها: کاهش سطح هوشیاری، سرفه، درصد اکسیژن خون کمتر از 93%، سن، سرطان، بیماری‌های مزمن کلیه، تب داشتن، سردرد داشتن، سیگاری بودن، و بیماری‌های مزمن خون به‌عنوان ده عامل مهم‌تر در پیش‌بینی مرگ شناسایی شدند. صحت مدل شبکه عصبی و رگرسیون لوژستیک به ترتیب برابر 89/90% و 83/67%درصد، همچنین حساسیت، ویژگی و سطح زیر منحنی راک در دو مدل به ترتیب (76/14%، 68/94%)، (91/99%، 85/30%) و (77/14%، 68/98%) بود. نتیجه‌گیری: یافته‌های ما اهمیت برخی اطلاعات جمعیت شناختی، بیماری‌های زمینه‌ای و علائم بالینی را ارائه کرد. همچنین، مدل شبکه عصبی می‌تواند مرگ را با دقت بیشتری نسبت به مدل رگرسیون لوژستیک پیش‌بینی کند. بااین‌حال، تحقیقات پزشکی در این زمینه با به‌کارگیری سایر روش‌های یادگیری ماشین و قدرت بالای آن‌ها، نتایج کامل‌کننده‌ای به دنبال خواهد داشت.</div> <div style="text-align: justify;">Background and Objectives: Due to the high prevalence of COVID-19 disease and its high mortality rate, it is necessary to identify the symptoms, demographic information and underlying diseases that effectively predict COVID-19 death. Therefore, in this study, we aimed to predict the mortality behavior due to COVID-19 in Khorasan Razavi province. Methods: This study collected data from 51, 460 patients admitted to the hospitals of Khorasan Razavi province from 25 March 2017 to 12 September 2014. Logistic regression and Neural network methods, including machine learning methods, were used to identify survivors and non-survivors caused by COVID-19. Results: Decreased consciousness, cough, PO2 level less than 93%, age, cancer, chronic kidney diseases, fever, headache, smoking status, and chronic blood diseases are the most important predictors of death. The accuracy of the artificial neural network model was 89.90% in the test phase. Also, the sensitivity, specificity and area under the rock curve in this model are equal to 76.14%, 91.99% and 77.65%, respectively. Conclusion: Our findings highlight the importance of some demographic information, underlying diseases, and clinical signs in predicting survivors and non-survivors of COVID-19. Also, the neural network model provided high accuracy in prediction. However, medical research in this field will lead to complementary results by using other methods of machine learning and their high power.</div> یادگیری ماشین, کووید-19, شبکه‌های عصبی, داده‌کاوی, رگرسیون لوژستیک Machine learning, COVID-19, Neural networks, Data mining, Logistic regression 244 254 http://irje.tums.ac.ir/browse.php?a_code=A-10-2855-1&slc_lang=fa&sid=1 Nasrin Talkhi نسرین تلخی talkhin3@mums.ac.ir No MSc of Biostatistics, School of Health, Mashhad University of Medical Sciences, Mashhad, Iran کارشناسی ارشد آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران Nooshin Akbari sharak نوشین اکبری شارک AkbariSN962@mums.ac.ir No MSc of Biostatistics, School of Health, Mashhad University of Medical Sciences, Mashhad, Iran کارشناسی ارشد آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران Zahra Rajabzadeh زهرا رجب زاده RajabzadehZ951@mums.ac.ir No MSc of Biostatistics, School of Health, Mashhad University of Medical Sciences, Mashhad, Iran کارشناسی ارشد آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران Maryam Salari مریم سالاری Salarim1@mums.ac.ir No Assistant Professor in Biostatistics, Expert Management and Information Technology, Mashhad University of Medical Sciences, Mashhad, Iran استادیار آمار زیستی، مرکز مدیریت و فناوری اطلاعات، دانشگاه علوم پزشکی مشهد، مشهد، ایران Seyed Masoud Sadati سید مسعود ساداتی sadatim1@mums.ac.ir No MSc of IT management, Center of Statistics and Information Technology Management, Imam Reza Hospital, Mashhad University of Medical Sciences, Mashhad, Iran کارشناسی ارشد مدیریت فناوری اطلاعات، مرکز آمار و مدیریت فناوری اطلاعات، بیمارستان امام رضا، دانشگاه علوم پزشکی مشهد، مشهد، ایران Mohammad Taghi Shakeri محمد تقی شاکری ShakeriMT@mums.ac.ir Yes Professor in Biostatistics, Social Determinants of Health Research Center, Mashhad University of Medical Sciences, Mashhad, Iran استاد آمارزیستی، مرکز تحقیقات عوامل اجتماعی تعیین کننده سلامت، دانشگاه علوم پزشکی مشهد، مشهد، ایران