Hybrid funktionurval med ny djupinlärningsmodell för COVID-19-riskprediktion

Varför det fortfarande är viktigt att förutsäga COVID-19-risk

Även när världen lär sig leva med COVID-19 har viruset inte försvunnit. Nya varianter dyker upp, sjukhus kan fortfarande bli ansträngda och sårbara personer löper fortsatt högre risk för allvarlig sjukdom eller död. Läkare behöver därför snabba och pålitliga sätt att beräkna hur sannolikt det är att en smittad patient blir allvarligt sjuk. Denna artikel presenterar en ny datoriserad modell som använder sjukhusdata och avancerad artificiell intelligens för att förutsäga COVID-19-risk mer exakt, vilket potentiellt kan hjälpa kliniker att avgöra vem som behöver tätare övervakning, tidig behandling eller intensivvård.

Från råa patientregister till användbara signaler

Studien börjar med en mycket stor klinisk datamängd: mer än en miljon anonyma patienter, vardera beskrivna av 21 enkla, för det mesta ja-eller-nej-variabler som åldersgrupp, bakomliggande sjukdomar och andra riskfaktorer. Verkliga sjukhusdata är röriga, så första steget är att "rensa" dem. Författarna tillämpar ett matematiskt knep kallat log-skalning, som komprimerar extrema värden och sträcker ut kluster av mycket små värden. Denna transformation gör data mer stabila och lättare för algoritmer att hantera, vilket minskar risken att ovanliga tal eller glesa indikatorer vilseleder modellen.

Välja de mest talande tecknen

Inte varje registrerad variabel är lika hjälpsam för prediktion, och för många svaga signaler kan faktiskt förvirra ett artificiellt intelligenssystem. Forskarna utför därför funktions-/variabelval, en process som filtrerar bort mindre användbar information och behåller de mest informativa faktorerna. Deras hybrida angreppssätt kombinerar två idéer: ett mått ser hur väl en funktion skiljer hög-risk från låg-risk-patienter, och ett annat kontrollerar hur starkt funktioner överlappar varandra. Genom att balansera dessa två synsätt på en gemensam skala gynnas funktioner som både är kraftfulla och inte överflödiga. Denna trimning snabbar upp träningen, minskar överanpassning och fokuserar modellen på de mest kliniskt relevanta mönstren.

Att blanda mönsterigenkänning med fuzzyresonemang

Kärnan i artikeln är en ny prediktionsmotor kallad Fuzzy-Deep Kronecker Recurrent Neural Network, eller Fuzzy-DKRNN. Den blandar flera kompletterande tekniker. En komponent, ett Deep Kronecker Network, är utformat för att avslöja kompakta, strukturerade mönster dolda i de kliniska uppgifterna. En annan komponent, ett djupt rekurrent nätverk, är väl lämpat att fånga beroenden och trender, till exempel när en kombination av faktorer över tid påverkar risken. Ovanpå dessa lägger författarna ett fuzzylogiksystem. Istället för att endast fatta hårda ja-eller-nej-beslut uttrycker fuzzy-regler uttalanden som "om flera riskindikatorer är måttligt höga, är patienten sannolikt hög risk." Varje regel bär en grad av säkerhet, vilket gör det möjligt för modellen att hantera osäkerhet och gråzoner som är vanliga inom medicin.

Hur bra presterar modellen?

Författarna testar noggrant sin Fuzzy-DKRNN-modell mot flera toppmoderna alternativ, inklusive system baserade på lungröntgenbilder, traditionell maskininlärning och andra djupinlärningsmetoder. Med hjälp av standardmått som noggrannhet, precision, recall och F1-score kommer deras metod konsekvent ut i förväg. I sin bästa konfiguration klassificerar modellen korrekt omkring 91 % av fallen totalt, med hög förmåga både att upptäcka patienter som kommer att bli allvarligt sjuka och att undvika onödiga larm hos dem som inte kommer att det. Dessa förbättringar kvarstår när mängden träningsdata och interna valideringsinställningar varierar, vilket tyder på att angreppssättet är robust snarare än finjusterat för ett specifikt scenario.

Vad detta innebär för patienter och sjukhus

Kort sagt visar detta arbete att kombinationen av noggrann datarensning, smart urval av nyckelriskfaktorer och en hybrid av djupinlärning och fuzzylogik kan ge mer pålitliga COVID-19-riskprediktioner från rutinmässig klinisk information. Ett sådant verktyg kommer inte att ersätta läkare, men det kan fungera som en tidigvarningsassistent—flagga patienter som förtjänar närmare uppföljning, vägleda fördelningen av knappa resurser som intensivvårdsplatser och i slutändan bidra till att minska förhindrande dödsfall. Samma strategi skulle också kunna anpassas till andra sjukdomar där tidig riskdetektion från komplex klinisk data är avgörande.

Citering: P, G.S., Kathiravan, M., Shanthi, S. et al. Hybrid feature selection with novel deep learning model for COVID-19 risk prediction. Sci Rep 16, 4106 (2026). https://doi.org/10.1038/s41598-026-35013-7

Nyckelord: COVID-19 riskprediktion, djupinlärning, fuzzylogik, kliniskt beslutsstöd, medicinska AI-modeller