Comparison of Machine Learning Algorithms for Predicting Patients with Suspected COVID-19 مقارنة خوارزميات التعلم الآلي للتنبؤ بالمرضى المشتبه في إصابتهم بـ COVID -19 Comparaison des algorithmes d'apprentissage automatique pour prédire les patients suspects de COVID-19 Comparación de algoritmos de aprendizaje automático para predecir pacientes con sospecha de COVID-19

The coronavirus disease (COVID-19) outbreak has infected millions of people, causing a high death rate worldwide. Patients suspected of having COVID-19 are transferred to different health facilities, which has caused a saturation in care, for which it is necessary to have a prediction model to classify patients at high risk of clinical deterioration. The objective of the research was to compare classification algorithms based on automatic learning machines, for the prediction of clinical diagnosis in patients with COVID-19. 1000 records of patients with suspected SARS-CoV-2 infection who were admitted by the emergency service in health establishments in Peru were collected. After pre-processing the data and engineering the attributes, a sample of 700 records was determined. Models were designed and algorithms were compared: Logistic Regression, Support Vector Machine, Nearest Neighbors, Decision Tree, Random Forest, and Navie Bayes. The evaluation of the results of each algorithm was carried out using Accuracy, precision, sensitivity and Chohen's Kappa to know the degree of agreement between the prediction by the learning machine and the results of reality, that is, to what extent both results agree in their measurement. The algorithm that presented the best results was the Support Vector Machine and Random Forest, which predicted the patients with an accuracy of 97%, and Cohen's Kappa of 0.95, with figures higher than the other models evaluated. أصاب تفشي مرض فيروس كورونا (COVID -19) ملايين الأشخاص، مما تسبب في ارتفاع معدل الوفيات في جميع أنحاء العالم. يتم نقل المرضى المشتبه في إصابتهم بـ COVID -19 إلى مرافق صحية مختلفة، مما تسبب في تشبع في الرعاية، ومن الضروري أن يكون هناك نموذج تنبؤ لتصنيف المرضى المعرضين لخطر كبير للتدهور السريري. كان الهدف من البحث هو مقارنة خوارزميات التصنيف بناءً على آلات التعلم الآلي، للتنبؤ بالتشخيص السريري لدى المرضى المصابين بـ COVID -19. تم جمع 1000 سجل للمرضى الذين يشتبه في إصابتهم بعدوى سارس- كوف-2 والذين تم قبولهم من قبل خدمة الطوارئ في المؤسسات الصحية في بيرو. بعد المعالجة المسبقة للبيانات وهندسة السمات، تم تحديد عينة من 700 سجل. تم تصميم النماذج ومقارنة الخوارزميات: الانحدار اللوجستي، وآلة ناقلات الدعم، وأقرب الجيران، وشجرة القرار، والغابة العشوائية، ونافي بايز. تم تقييم نتائج كل خوارزمية باستخدام الدقة والدقة والحساسية وكابا كوهين لمعرفة درجة التوافق بين التنبؤ من قبل آلة التعلم ونتائج الواقع، أي إلى أي مدى تتفق كلتا النتيجتين في قياسها. كانت الخوارزمية التي قدمت أفضل النتائج هي Support Vector Machine و Random Forest، التي تنبأت بالمرضى بدقة 97 ٪، و Cohen 's Kappa بنسبة 0.95، مع أرقام أعلى من النماذج الأخرى التي تم تقييمها. L'épidémie de coronavirus (COVID-19) a infecté des millions de personnes, provoquant un taux de mortalité élevé dans le monde entier. Les patients suspectés d'avoir la COVID-19 sont transférés dans différents établissements de santé, ce qui a provoqué une saturation des soins, pour lesquels il est nécessaire d'avoir un modèle de prédiction pour classer les patients à haut risque de détérioration clinique. L'objectif de la recherche était de comparer les algorithmes de classification basés sur des machines d'apprentissage automatique, pour la prédiction du diagnostic clinique chez les patients atteints de COVID-19. 1000 dossiers de patients soupçonnés d'être infectés par le SRAS-CoV-2 qui ont été admis par le service d'urgence dans les établissements de santé au Pérou ont été recueillis. Après prétraitement des données et ingénierie des attributs, un échantillon de 700 enregistrements a été déterminé. Des modèles ont été conçus et des algorithmes ont été comparés : Logistic Regression, Support Vector Machine, Nearest Neighbors, Decision Tree, Random Forest et Navie Bayes. L'évaluation des résultats de chaque algorithme a été réalisée en utilisant l'exactitude, la précision, la sensibilité et le Kappa de Chohen pour connaître le degré de concordance entre la prédiction par la machine d'apprentissage et les résultats de la réalité, c'est-à-dire dans quelle mesure les deux résultats concordent dans leur mesure. L'algorithme qui a présenté les meilleurs résultats était la machine à vecteurs de soutien et la forêt aléatoire, qui ont prédit les patients avec une précision de 97 %, et le Kappa de Cohen de 0,95, avec des chiffres plus élevés que les autres modèles évalués. El brote de la enfermedad por coronavirus (COVID-19) ha infectado a millones de personas, causando una alta tasa de mortalidad en todo el mundo. Los pacientes sospechosos de tener COVID-19 son trasladados a diferentes centros de salud, lo que ha provocado una saturación en la atención, para lo cual es necesario contar con un modelo de predicción para clasificar a los pacientes con alto riesgo de deterioro clínico. El objetivo de la investigación fue comparar algoritmos de clasificación basados en máquinas de aprendizaje automático, para la predicción del diagnóstico clínico en pacientes con COVID-19. Se recolectaron 1000 registros de pacientes con sospecha de infección por SARS-CoV-2 que fueron ingresados por el servicio de emergencia en establecimientos de salud en Perú. Después del preprocesamiento de los datos y la ingeniería de los atributos, se determinó una muestra de 700 registros. Se diseñaron modelos y se compararon algoritmos: Logistic Regression, Support Vector Machine, Nearest Neighbors, Decision Tree, Random Forest y Navie Bayes. La evaluación de los resultados de cada algoritmo se realizó utilizando Exactitud, precisión, sensibilidad y Kappa de Chohen para conocer el grado de concordancia entre la predicción por parte de la máquina de aprendizaje y los resultados de la realidad, es decir, en qué medida ambos resultados concuerdan en su medición. El algoritmo que presentó los mejores resultados fue el Support Vector Machine y Random Forest, que predijo a los pacientes con una precisión del 97%, y el Kappa de Cohen de 0,95, con cifras superiores a los otros modelos evaluados.