Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 5

Pandemia Prediction Using Machine Learning

Przewidywanie pandemii za pomocą uczenia maszynowego

10.15199/48.2024.05.39

nr katalogowy: 148624
10.15199/48.2024.05.39

Streszczenie

Coronavirus disease 2019 (COVID-19) is caused a large number of death. Therefore, that Artificial Intelligence (A.I) solution might be capable to identify COVID-19 quickly and early. This paper applies Three ML models to Covid-19 prediction process. We discovered the main dominant variable to decide the negative or positive patient by using different ML models in the prediction process, for instance (LR, XG Boost, and RF). The study and models have been applied for one million patients from European Commission (EC), this data set (cough, fever, sore throat, breath, and headache) been considered as a data sensor coming to the proposed system. The aim is to choose the best ML model for Covid-9 prediction. In addition, all models and dataset have been sufficiently presented with all clarifications and justifications. Also, our data have been provided for one million patients from European Commission (EC). Then, feature selection to prepare the dominant parameters of Cvid-19, which are (cough, fever, sore throat, breath, and headache). As a result, the RF and XG boost obtained the best accuracy in the decision of positive or negative based on nine variables

Abstract

Choroba koronawirusowa 2019 (COVID-19) jest przyczyną dużej liczby zgonów. Dlatego to rozwiązanie oparte na sztucznej inteligencji (AI) może być w stanie szybko i wcześnie zidentyfikować Covid-19. W artykule zastosowano trzy modele ML do procesu przewidywania Covid-19. Odkryliśmy główną dominującą zmienną decydującą o tym, czy pacjent jest negatywny, czy pozytywny, stosując w procesie przewidywania różne modele ML, na przykład (LR, XG Boost i RF). Badanie i modele zastosowano w przypadku miliona pacjentów z Komisji Europejskiej (KE). Ten zestaw danych (kaszel, gorączka, ból gardła, oddech i ból głowy) uznano za czujnik danych docierających do proponowanego systemu. Celem jest wybór najlepszego modelu ML do przewidywania Covid-9. Ponadto wszystkie modele i zbiory danych zostały dostatecznie przedstawione ze wszystkimi wyjaśnieniami i uzasadnieniami. Nasze dane dotyczące miliona pacjentów przekazała także Komisja Europejska (KE). Następnie dokonaj selekcji cech, aby przygotować dominujące parametry Cvid-19, którymi są (kaszel, gorączka, ból gardła, oddech i ból głowy). W rezultacie wzmocnienie RF i XG uzyskało najlepszą dokładność w podejmowaniu decyzji pozytywnej lub negatywnej na podstawie dziewięciu zmiennych.

Słowa kluczowe

Keywords

Bibliografia

[1] Hussein, Amir Nasir, Seyed Vahab Al-Din Makki, and Ali AlSabbagh. "Comprehensive study: machine learning approaches for COVID-19 diagnosis." International Journal of Electrical & Computer Engineering (2088-8708) 13.5 (2023)
[2] Qorib, M., Oladunni, T., Denis, M., Ososanya, E., & Cotae, P. (2023). Covid-19 vaccine hesitancy: Text mining, sentiment analysis and machine learning on COVID-19 vaccination Twitter dataset. Expert Systems with Applications, 212, 118715. https://doi.org/10.1016/j.eswa.2022.118715
[3] Aslani, S., & Jacob, J. (2023). Utilisation of deep learning for COVID-19 diagnosis. Clinical Radiology, 78(2), 150-157. https://doi.org/10.1016/j.crad.2022.11.006
[4] Hasani, S., & Nasiri, H. (2022). COV-ADSX: An automated detection system using X-ray images, deep learning, and XGBoost for COVID-19. Software Impacts, 11, 100210. https://doi.org/10.1016/j.simpa.2021.100210
[5] Sitharthan, R., & Rajesh, M. (2022). RETRACTED ARTICLE: Application of machine learning (ML) and internet of things (IoT) in healthcare to predict and tackle pandemic situation. Distributed and Parallel Databases, 40(4), 887-887. https://doi.org/10.1007/s10619-021-07358-7
[6] Harshavardhan, A., Bhukya, H., & Prasad, A. K. (2020). Advanced machine learning-based analytics on COVID-19 data using generative adversarial networks. Materials today. Proceedings. doi: 10.1016/j.matpr.2020.10.053
[7] Rahman, M. S., Chowdhury, A. H., & Amrin, M. (2022). Accuracy comparison of ARIMA and XGBoost forecasting models in predicting the incidence of COVID-19 in Bangladesh. PLOS Global Public Health, 2(5), e0000495. https://doi.org/10.1371/journal.pgph.0000495
[8] Moulaei, K., Shanbehzadeh, M., Mohammadi-Taghiabad, Z., & Kazemi-Arpanahi, H. (2022). Comparing machine learning algorithms for predicting COVID-19 mortality. BMC medical informatics and decision making, 22(1), 1-12.
[9] Chakraborty, C., & Abougreen, A. (2021). Intelligent internet of things and advanced machine learning techniques for covid-19. EAI Endorsed Transactions on Pervasive Health and Technology, 7(26). http://dx.doi.org/10.4108/eai.28-1- 2021.168505
[10] Yeşilkanat, C. M. (2020). Spatio-temporal estimation of the daily cases of COVID-19 in worldwide using random forest machine learning algorithm. Chaos, Solitons & Fractals, 140, 110210. https://doi.org/10.1016/j.chaos.2020.110210
[11] Zivkovic, M., Bacanin, N., Venkatachalam, K., Nayyar, A., Djordjevic, A., Strumberger, I., & Al-Turjman, F. (2021). COVID-19 cases prediction by using hybrid machine learning and beetle antennae search approach. Sustainable cities and society, 66, 102669. https://doi.org/10.1016/j.scs.2020.102669
[12] Ong, E., Wong, M. U., Huffman, A., & He, Y. (2020). COVID19 coronavirus vaccine design using reverse vaccinology and machine learning. Frontiers in immunology, 11, 1581. https://doi.org/10.3389/fimmu.2020.01581
[13] Wibowo, F. W. (2021, February). Prediction modelling of COVID-19 outbreak in Indonesia using a logistic regression model. In Journal of Physics: Conference Series (Vol. 1803, No. 1, p. 012015). IOP Publishing. DOI 10.1088/1742- 6596/1803/1/012015
[14] Prakash, K. B., Imambi, S. S., Ismail, M., Kumar, T. P., & Pawan, Y. N. (2020). Analysis, prediction and evaluation of covid-19 datasets using machine learning algorithms. International Journal, 8(5), 2199-2204.
[15] De Felice, F., & Polimeni, A. (2020). Coronavirus disease (COVID-19): a machine learning bibliometric analysis. in vivo, 34(3 suppl), 1613-1617. DOI: https://doi.org/10.21873/invivo.11951
[16] Tuli, S., Tuli, S., Tuli, R., & Gill, S. S. (2020). Predicting the growth and trend of COVID-19 pandemic using machine learning and cloud computing. Internet of things, 11, 100222. https://doi.org/10.1016/j.iot.2020.100222
[17] Cenggoro, T. W., & Pardamean, B. (2023). A systematic literature review of machine learning application in COVID-19 medical image classification. Procedia computer science, 216, 749-756.
[18] Dairi, A., Harrou, F., Zeroual, A., Hittawe, M. M., & Sun, Y. (2021). Comparative study of machine learning methods for COVID-19 transmission forecasting. Journal of Biomedical Informatics, 118, 103791. https://doi.org/10.1016/j.jbi.2021.103791
[19] Zivkovic, M., Bacanin, N., Antonijevic, M., Nikolic, B., Kvascev, G., Marjanovic, M., & Savanovic, N. (2022). Hybrid CNN and XGBoost model tuned by modified arithmetic optimization algorithm for COVID-19 early diagnostics from X-ray images. https://doi.org/10.3390/electronics11223798
[20] Nasiri, H., & Hasani, S. (2022). Automated detection of COVID-19 cases from chest X-ray images using deep neural network and XGBoost. Radiography, 28(3), 732-738. https://doi.org/10.1016/j.radi.2022.03.011
[21] Chumachenko, D., Meniailov, I., Bazilevych, K., Chumachenko, T., & Yakovlev, S. (2022). Investigation of statistical machine learning models for COVID-19 epidemic process simulation: Random forest, K-nearest neighbors, gradient boosting. Computation,
[22] Grekousis, G., Feng, Z., Marakakis, I., Lu, Y., & Wang, R. (2022). Ranking the importance of demographic, socioeconomic, and underlying health factors on US COVID-19 deaths: A geographical random forest approach. Health & Place, 74, 102744. https://doi.org/10.1016/j.healthplace.2022.102744
[23] Jawa, T. M. (2022). Logistic regression analysis for studying the impact of home quarantine on psychological health during COVID-19 in Saudi Arabia. Alexandria Engineering Journal, 61(10), 7995-8005. https://doi.org/10.1016/j.aej.2022.01.047
[24] TRUST. (2021). Zenodo, covid dataset (version 2) available on: https://doi.org/10.5281/zenodo.7316891

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-5 , nr katalogowy 148624 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-5 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-5

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma