Die Merkmalsaustauschung zielt darauf ab, eine kleine Anzahl von Merkmalen zu identifizieren, die eine hohe Klassifikationsleistung aufweisen. In dieser Studie wurden sowohl parametrische als auch nicht-parametrische Lernende in FS-Methoden eingesetzt, um die Mortalität von COVID-19-Patienten anhand von Krankenhausdaten vorherzusagen. Es wurden drei Arten von FS-Methoden implementiert: Filtermethoden, eingebettete Methoden des Random Forests und hybride Methoden. Jede Methode bietet einzigartige Einblicke in den Datensatz. Die Ergebnisse deuten darauf hin, dass der hybride Boruta-VI-Algorithmus im Vergleich zu anderen Modellen hervorragend ist.
In der Analyse der Beziehung zwischen dem Auftreten von Tod und Prädiktorvariablen im Boruta-VI-Datensatz wurden interessante Erkenntnisse gewonnen. Verschiedene Modelle haben unterschiedliche Merkmale als wichtig für die Vorhersage des Todes identifiziert. Beispielsweise legt das Random-Forest-Modell besonderes Augenmerk auf Merkmale wie Alter, Sauerstoffsättigung, Harnstoff, Albumin und Laktat. Es wurde festgestellt, dass das Alter ein entscheidender Risikofaktor für schwere COVID-19-Erkrankungen und erhöhte Mortalitätsraten ist.
Weiterhin wurden Zusammenhänge zwischen verschiedenen Parametern wie Urea und Creatinin sowie Urea und BUN im Hybrid Boruta-VI-Datensatz hervorgehoben. Erhöhte Ureawerte wurden als Prädiktoren für eine schlechte Prognose bei COVID-19-Patienten identifiziert. Die Studie hebt die Bedeutung des Umgangs mit Ungleichgewichten in Datensätzen hervor und empfiehlt zukünftige Forschungen zur Untersuchung von Techniken zur Bewältigung von Ungleichgewichten.
Das Vorhersagen der COVID-19-Mortalität mittels Machine-Learning-Modellen hat bedeutende klinische Anwendungsmöglichkeiten und Auswirkungen auf die Patientenversorgung und -entscheidung. Verschiedene Studien haben die überlegene Leistung von Random-Forest-Modellen in Kombination mit hybriden Methoden gezeigt. Es ist jedoch wichtig zu beachten, dass Unterschiede in der Leistung auf verschiedene Faktoren, einschließlich Datencharakteristika, zurückzuführen sein können. Es wird empfohlen, in Zukunft externe Validierungen an unterschiedlichen Populationen durchzuführen und den Einfluss auf medizinische Entscheidungen und Patientenergebnisse zu untersuchen.