Tehran University Medical Journal

other بررسی تأثیر فصول بر شدت بیماری کووید-19: تجزیه‌و‌تحلیل داده‌های اپیدمیولوژیک یکسان بیمارستانی با استفاده از ضریب همبستگی جاکارد Seasonal impact analysis on COVID-19 severity: insights from homogeneous epidemiological hospital data using the jaccard correlation coefficient مقاله اصیل Original Article زمینه و هدف: در سال 1960، ویروس‌های کرونا کشف شدند. موجودات زنده درشت‌پیکر از خانواده ویروس‌های پاکت‌دار که RNA تک‌رشته‌ای با منشاء جانوری دارند. ویروس‌های کرونا در انسان می‌تواند به بیماری تنفسی خفیف یا شدید تنفسی تبدیل شوند. در سال 2020، سازمان بهداشت جهانی ویروس کووید-19 را یک بیماری همه‌گیر جهانی اعلام کرد. هدف این مطالعه استفاده از ضریب همبستگی جاکارد جهت تعیین شباهت الگوی رفتار بیماری کووید-19 در فصول مختلف سال است. روش بررسی: در این بررسی از سیستم‌های یادگیری ماشین و معیار تشابه در تعیین الگوی رفتار بیماری کووید-19 در فصل‌های سال‌ استفاده شد. مکان انجام مطالعه، بیمارستان موسی بن جعفر (ع) مشهد و زمان دقیق انجام مطالعه از اردیبهشت 1399 لغایت شهریور 1401 می‌باشد. علایم بیماران مبتلا با مجموعه‌ داده تدوین‌شده مقایسه و تشابه بیماران در ماتریس شباهت تهیه و ضریب همبستگی جاکارد روی داده‌ها انجام شد. نهایتاً تحلیل سویه‌ها از ابتدای پیدایش تا آخرین سویه بررسی شد. یافته‌ها: شاخص‌های عملکرد الگوریتم در روش تشابه جاکارد، معیار یادآوری با مقدار 94/0، معیار دقت با مقدار 1، معیار امتیاز F1 با مقدار 86/0 و معیار صحت با مقدار 76/0 را نشان داد. مهمترین فاکتورهای مؤثر در بررسی، گلبول‌های سفید خون، پلاکت، RT PCR، CT SCAN، تنگی تنفس، تب، SPO2 و تعداد تنفس می‌باشند. نتیجه‌گیری: در این مطالعه رفتار ویروس کووید-19 با استفاده از الگوریتم‌های یادگیری ماشین با احتساب موقعیت جغرافیایی و فصلی در بیماران بررسی شد و یک الگوی واضح از ارتباط فصل‌ها در گسترش کووید-19 مشخص گردید، به‌طوری‌که در هر فصل علایم مشخصی مشاهده شده است که با سویه همان فصل مطابقت دارد.   <div>Background: Coronaviruses were discovered in 1960. Large-sized living organisms from the Coronaviridae family, with single-stranded RNA of animal origin. Coronaviruses in humans can cause mild respiratory illness or severe respiratory illness. In 2020, the World Health Organization declared COVID-19 a global pandemic. The aim of this study is to use the Jaccard similarity coefficient to determine the similarity of COVID-19 behavior patterns in different seasons of the year.</div> <div> <table align="center" hspace="0" vspace="0"> <tbody> <tr> <td align="left" style="padding-top:0in; padding-right:12px; padding-bottom:0in; padding-left:12px" valign="top"> <div>Methods: This study used machine learning systems and similarity metrics to determine the behavior pattern of COVID-19 in different seasons of the year. The location of research was the Mousa ibn Ja'far Hospital in Mashhad, and the time was from May 2020 to August 2021. The symptoms of affected patients were compared with the compiled dataset, and the similarity of patients was prepared in a similarity matrix, and the Jaccard correlation coefficient was calculated on the data. Finally, the analysis of strains from the beginning of emergence to the latest strain was examined. The performance indicators of the algorithm in the Jaccard similarity method showed a recall metric with a value of 0.94, a precision metric with a value of 1, an F1 score with a value of 0.86, and remove accuracy metric with a value of 0.76. The most important factors in the investigation include white blood cells, platelets, RT-PCR, CT SCAN, shortness of breath, fever, SPO2, and respiratory rate. Results: The transmission of the COVID-19 virus depends on several factors, including human interaction. The evidence of the collected data shows that people with COVID-19 have low lymphocyte count and it is very consistent with the results of recent studies. Due to the lack of a dataset, a comparative study was conducted and a dataset was collected. Conclusion: This study, leveraging machine learning algorithms, identified a clear seasonal correlation in the spread of COVID-19. Considering geographical and seasonal variations among patients, distinct symptoms were observed in each season corresponding to the prevalent strain during that period.</div> </td> </tr> </tbody> </table> </div> <div></div> کووید-19, بیماری, بومی‌شناسی, یادگیری ماشین, سویه‌ها. covid-19, disease, epidemiology, machine learning, strains. 760 770 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-732&slc_lang=other&sid=1 Ameneh Javanmard آمنه جوانمرد No Department of Computer Engineering, University of Imam Reza, Mashhad, Iran. گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه امام رضا (ع)، مشهد، مشهد، ایران. Alireza Salehan علیرضا صالحان salehan@torbath.ac.ir Yes Department of Computer Enginnering, University of Torbat Heydarieh, Heydarieh, Iran. گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه تربت حیدریه، تربت حیدریه، ایران.