نیما یوسفی - دانشجوی کارشناسی ارشد، گروه امار زیستی، بهداشت، دانشگاه علوم پزشکی مشهد، مشهد
وحید قوامی - دانشیار، گروه امار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد
مریم سالاری - استاد یار، گروه امار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد
سعید اخلاقی - استاد یار، گروه امار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد

طبق اعلام سازمان بهداشت جهانی، در ژانویه ۲۰۲۳ در سطح جهانی، تعداد مبتلایان کرونا ویروس بیش از ۶۶۴ میلیون و فوت شدگان بیش از ۶/۷میلیون نفر اعلام شد. از جمله راهکارهایی که میتوان برای کاهش این میزان مرگ و میر بکار برد، استفاده از مدلهای یادگیری ماشین مبتنی بر روش هایپردازش تصویر میباشد. در این مطالعه ابتدا، استخراج ویژگیهای تصاویر با استفاده از الگوریتمهای مختلف انجام پذیرفت. سپس از میان این ویژگی ها بهکمک مدل های جنگل تصادفی و رگرسیون لجستیک بهترین آنها در پیش بینی مرگ و میر بیماران مبتلا به کووید- ۱۹ استفاده شد و در نهایت این مدلها بایکدیگر مقایسه شدند. مقدار شاخص حساسیت مدل رگرسیون لجستیک در یک اعتبارسنجی متقابل طبقه ای با ۵ دسته، ۰/۸۸ گزارش شد. رگرسیونلجستیک در مقایسه با مدل جنگل تصادفی عملکرد بهتری در پیش بینی مرگ و میر بیماران مبتلا به کووید- ۱۹ ، دارا بود.

یادگیری ماشین با ناظر، پردازش تصویر، تصاویر سیتی اسکن، مرگ و میر، بیماری کووید- ۱۹