降低测试设备成本的条件整群抽样方法应用于COVID-19的研究

医学信息学解锁23（2021）100532使用条件整群抽样方法最大化COVID-19Naurin Zohaa，Sourav Kumar Ghoshb，*，Mohammad Arif-Ul-Islam c，Tusher Ghosh da孟加拉国工程技术大学工业生产工程系，达卡，1000，孟加拉国b孟加拉国纺织大学工业生产工程系，Tejgaon，Dhaka，1208，BangladeshcNoakhali科技大学应用化学化学工程系，Noakhali，3802，BangladeshdRajshahi大学市场营销系，Rajshahi，6205，孟加拉国A R T I C L EI N FO保留字：随机森林分类器条件聚类抽样蒙特卡罗模拟COVID-19合并液检测A B S T R A C T2019冠状病毒病疫情是二零二零年全球的决定性健康危机，全球经济亦受到影响。孟加拉国也是受影响的国家之一，需要进行足够的检测以识别患者，并相应采取措施限制这种病毒感染的大规模爆发。但由于经济上的缺陷和测试设备的缺乏，孟加拉国在测试数量上严重落后。本研究提出一种利用软计算与资料分析技术，以降低测试设备成本的条件整群抽样法。与传统的个体测试方法相比，该方法也证明了其有效性首先，根据PA-根据病人很危险。然后使用随机森林分类器（RFC）进行分类预测。然后根据CCS从每个类别进行随机抽样。最后，使用蒙特卡罗模拟（MCS）进行100次循环，的CCS证明了不同的感染概率水平。结果表明，CCS方法可以节省高达22%的测试试剂盒，可以节省大量的资金以及测试时间。1. 介绍由严重急性呼吸道综合征冠状病毒2型（SARS-CoV-2）引起的全球COVID-19大流行现在对人类造成了困难。孟加拉国是受COVID-19影响的众多国家之一。2020年3月7日在孟加拉国发现了第一例阳性患者。整个3月份的传播量很小，但自2020年4月至6月，传播量急剧增加2020年4月24日，考虑到感染患者总数，孟加拉国排在第17位[1]。样本检测数量的指数增长可能有助于击败传播，但截至2020年6月24日，孟加拉国在世界每百万人口的检测数量方面排名第147位，这是南亚地区最低的位置。不仅在孟加拉国，即使在最发达的国家，反向录多聚酶链反应（RT-PCR） 测试， 包括用棉签 检测病毒的基因材料和目前的标准测试，受到严重限制。这是由于试剂等关键供应短缺，以及使用现有设备每天可以进行的测试数量[2]。德国和印度已经采用了混合检测方法，以有限数量的检测试剂盒为代价增加检测数量[3]。这项研究显示了一种条件聚类抽样（CCS）方法，其中患者在池中进行测试，而不是使用实现机器学习和统计数据的数值方法进行个体测试，并且在获得每个池的结果后，决定是否继续测试迭代或终止它。这项研究的主要动机是：1. 根据病情的严重程度对患者总数进行分类2. 应用CCS降低检测试剂盒的费用全文结构如下：第二节介绍了与之相关的近期文学作品。在第三节中，讨论了软计算方法起初，收集的数据* 通讯作者。电子邮件地址：naurin. gmail.com（N.Zoha），sourav@butex.edu.bd（S.K.Ghosh），arif. gmail.com（M. Arif-Ul-Islam），tusherghosh46@gmail.com（T.Ghosh）。https://doi.org/10.1016/j.imu.2021.100532接收日期：2020年8月4日;接收日期：2021年1月18日;接受日期：2021年2021年2月17日在线提供2352-9148/©2021的 作者。发表通过 Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuN. Zoha等人医学信息学解锁23（2021）1005322根据潜在患者的症状细节，根据这些细节，他们被分为四类-轻微、中度、严重和危急，并听取前线专家医生的意见然后使用机器学习算法随机森林分类器（RFC），将每个患者分类到这些类别中的一个，并在实施CCS方法后，对患者进行测试。随后，使用蒙特卡罗模拟（MCS）技术，对不同的感染概率水平，该方法的有效性进行了证明。第四部分包括方法的结果和讨论，包括数据描述以及传统方法和拟议方法的比较分析最后，在第5节中，对本文的局限性和假设以及未来的发展方向进行了总结。2. 文献综述非洲的欠发达国家在检测资源方面遇到更大的限制，使它们没有能力应对这一流行病[4]。使用基于抗体检测的试剂盒的快速检测试验（RDT）比基于PCR的试验可靠性低。因此，快速微流控RT-PCR方法可以被替换为确保准确性的方法，这是关于这种病毒传播的一个非常敏感的问题[5]。2.1. COVID-19的症状发热、体温升高、咳嗽、疲劳、头痛、咯血、腹泻和呼吸困难是COVID-19在中国爆发初期的主要症状[6]。在文献综述中发现发热、咳嗽、呼吸短促、肌痛、咯血、咳痰、咽喉痛、腹泻、胸痛和腹泻是这种疾病的主要症状[7]。2.2. 预测COVID-19疫情提出了一种改进的堆叠式自动编码器，用于对传播动力学进行建模，以预测中国的COVID-19确诊病例[8]。基于迭代加权的稳健威布尔模型用于预测全球各国的COVID-19活动病例数[9]。COVID-19的爆发是通过不同的数学进化算法和两种不同的机器学习（ML）技术预测的。在ML技术中，人工神经网络（ANN）优于自适应神经模糊推理系统（ANFIS）[10]。采用9种不同的ML算法来估计全球10个人口稠密国家的COVID-19疫情新病例，以找到每个国家的最佳拟合模型[11]。采用自回归综合移动平均（ARIMA）和最小二乘支持向量机（LS-SVM）模型对全球5个国家的COVID-19确诊病例进行预测。两种模型都显示出良好的效果。然而，LS-SVM模型的准确性优于ARIMA模型[12]。提出了支持向量回归模型来预测2020年3月1日至4月30日期间印度COVID-19的死亡和活动病例[13]。 基于国家的COVID-19大流行预测模型由多基因遗传编程（MGGP）提出和研究[14]。一个确定性的数学模型，基于易感，传染，暴露和恢复（SEIR）的人是开发来预测2019冠状病毒病爆发。该模型考虑了封锁的影响，以估计沙特阿拉伯受影响的人数[15]。2.3. 预测COVID-19患者状况对成组检测的研究进展进行了综述，发现成组检测可以减少现有SARS-CoV-2检测方法中的约束条件[2]。基于神经网络预测了成为COVID-19阳性受害者的概率。基于该预测进行了整群抽样，并假设73%的测试可以减轻[16]。建议每个池30个样本可以改善使用现有的检测试剂盒检测能力，并以足够的诊断准确性识别阳性样本[17]。单个阳性样品可以在多达32个样品的池中测定，准确度为90%。在一定的循环放大下，采样大小可以增加到64个样本，同时误差率最小[18]。根据阳性检测的流行情况计算最佳样本池大小如果样本池为阳性，则将单独检测所有样本，而对于阴性检测，样本池不受影响[19]。结果表明，混合检测方法取决于感染率。如果感染率高，则池大小将较小。建议对于30.78%的阳性测试，最佳池大小应为3。相反，对于0.18%的感染率，合并液大小被认为是25 [20]。人工神经网络用于根据国家、感染原因、性别、群体、确诊日期、出生年份和地区等七个主要变量预测韩国COVID-19患者的康复和死亡病例的状况可以看出，感染原因和地区分别是预测康复和死亡受害者状态的最重要变量[21]。本文详细回顾了用于冠状病毒图像（如X射线和CT 扫描）分类的ML 和深度学习模型，并假设卷积神经网络（CNN）可能是识别早期检测，区分和提取的有用技术。自动化的基本特征[22]。随机森林算法用于根据地理、旅行、健康和人口统计数据预测COVID-19受影响受害者的状况[23]。3. 方法本研究基于患者的健康状况，对COVID-19患者进行条件整群抽样（CCS）。这项工作基本上分为以下四个主要步骤1. 收集患者数据库。2. 应用随机森林分类器（RFC）对每个患者的病情进行分类。3. 根据患者的情况实施CCS方法4. 在不同的概率水平下应用蒙特卡罗模拟（MCS）进行几个周期，以估计测试总数3.1. 步骤1：收集患者数据库收集了不同年龄组患者的数据。在Fig. 1. 患者N. Zoha等人医学信息学解锁23（2021）1005323RF（（）||）（f（C，T）/|不|）fC，TRF日|不图1显示了不同的年龄组，其中大多数患者是成年人，最少数量的患者来自青少年类别。在图2中，示出了患者的性别划分。可以看出，大多数患者是男性，变性人的比例最低。在图3中，显示了不同患者的位置。所有病人都来自达卡市，只是来自不同的地区。根据COVID-19的传播，整个达卡市分为3个区域-红色，黄色和绿色[24]。下图显示了属于每个地区的患者百分比。在图4中，针对所考虑的每种列出的症状显示了患者的数量。患者最常见的症状是发烧和头痛。在调查中收集了个别患者的症状。这些信息被发送给直接参与治疗COVID-19患者的前线医生，以分析他们的病情，并根据医生3.2. 步骤2：应用随机森林分类器（RFC）对每个患者的病情进行分类随机森林（RF）是一种监督机器学习算法，主要用于分类应用，也用于分类和预测;然而，它主要用于分类应用。森林意味着树木，树木越多，森林就越茂盛。在随机森林分类方法中，该模型根据数据样本建立不同的决策树，当插入新的数据点进行分类预测时，每棵决策树给出一个预测，最后通过投票选出最佳解针对输入图三. 病人基尼系数[27]。RFC使用基尼指数方法进行属性班对于给定的训练集P，随机选择一个样本案例并预测其类别为Ci，基尼指数可以写为-向量（x），每个决定树将给一 投票那么，CB=B∑∑i. . （ j）majorityvote{Cb（x）}1哪里 Cb（x）是 的 预测 的 类 对b随机森林树和CB是使用多数投票的最终预测[25].这个模型背后的主要概念很简单，但很强大。这种奇妙效果的原因是模型相互保护，避免出现错误。属性选择和剪枝方法的选择是决策树设计的必要条件。有许多属性选择方法，但决策树归纳中最常用的属性选择度量是增益比准则[26]和图二. 病人j闪烁=i这里，f Ci，T/T是所选情况属于类别Ci的概率。为了通过RFC生成预测模型，基本上，基本上需要两个参数-分类树的数量和驻留在每个节点中以展开树的预测变量。为每个节点扩展所选择的特征，并且这样，生长N个决策树，其中N是关于要生长的树的数量的用户定义的值。当引入新的数据点时，这些数据点被传递到所有这些树，然后它通过N个投票中的最大投票来选择它的类。在这项研究中，具有不同特征的输入数据和具有不同级别的输出属性被分成两个数据集：训练数据集和测试数据集。然后，引导聚合和属性装袋，形成一个随机选择的决策树，以最大限度地减少错误分类率。最后，检查测试数据集以预测类。90%的数据被用作训练数据[28]，而其余的数据则被用作的数据被分配为测试数据，以对患者的状况进行分类。患者的状况基本上分为四个主要类别-轻微、中度、严重和危重，分别命名为1级、2级、3级和4级。使用训练数据集，RFC模块被训练，然后在应用RFC之后，基于患者的症状对测试数据集进行分类。图5示出了产生的患者分类。3.3. 第三步：根据患者情况实施CCS方法条件整群抽样是一种根据患者的状况对整群样本进行分层的技术。为了更好的测试精度，选择的最大聚类大小为64 [18]。样本量与严重程度成反比，这意味着更严重的病例被聚集到小样本量中。这背后的主要原因是N. Zoha等人医学信息学解锁23（2021）1005324图五. 患者类型。见图4。 患者的症状。模拟结果[29]。最后，MCS被实现来估计单独类的测试总数，并将结果与传统的单独测试方法进行比较。这提供了CCS保存的检测试剂盒总百分比的估计值。3.5. 研究工作流程图6描绘了条件聚类采样（CCS）的过程流程图。首先，通过不同的媒体收集来自指定患者组的反馈，例如Google回复表、电话和电子邮件。然后确定症状，记录医生数据用于训练RFC模型，并使用测试数据根据各种症状级别对患者的状况进行分类。有四个级别的患者根据严重程度，如类-1，2，3&和4。在这里，严重性级别被认为随着级别的提高而增加;危重患者对COVID-19呈阳性的概率高于其他患者。相反，一个未成年病人受影响的可能性比其他病人要小。更大的簇大小可以缩短测试成本和时间。簇被分类为4个大小，例如64、32、16和8。选择聚类的样本大小是为了便于划分。举例来说，64人可分为两个32组，32人又可分为两个16组，以此类推，16人的样本量是分配给最危重的病人，而其余的病人则分配给分为64类。 之后，根据患者健康状况及其指定类别，CCS测试方法在测试数据上实施。3.4. 第4步：在几个周期的不同概率水平下应用蒙特卡罗模拟（MCS），以估计测试总数在蒙特卡罗模拟中，来自每个统计分布的随机样本被用作输入变量的值。对于每一组输入参数，我们得到一组输出参数。我们收集这样的输出值，从一些模拟运行不同的类。然后分析输出的变化，以决定最终的例如，第4类患者被认为比任何其他类别的患者更严重。因此，在不同的类之间进行聚类。例如，如果患者来自类别2，则群集大小为64。在对整群样本进行检测后，如果检测结果为阴性，则所有患者均未感染COVID-19，无需进一步检测。如果结果是相反的，则将其分为两个聚类。然后样本量为32，形成这两个集群并再次进行测试。如果两个聚类的结果均为阳性，则再次将每个聚类划分为两个子聚类，并继续循环，直到结果变为阴性或样本量减少到8。当样本量为8时，如果检测结果再次为阳性，则对所有样本进行单独检查。因此，这种基于条件的整群抽样方法继续下去。在不同的概率水平下使用MCS评估CCS的有效性。概率水平是指各类患者的感染率。基于历史数据假设生成随机数据的概率。因此，使用CCS的所需测试的总数进行评估。这里，MCS迭代100个周期以获得更高的精度。最后，通过与传统测试方法的比较，验证了该方法的有效性.N. Zoha等人医学信息学解锁23（2021）10053254. 结果图六、 条件整群抽样（CCS）流程图。下图：在文献中发现的COVID-19的关键症状分为八种不同级别的类型，见表1。对来自孟加拉国不同地区的4000人进行了调查，以了解他们的症状。然后收集专家医生从收集到的报告中，受害者i. 未成年人（一级）ii. 中度（2级）iii. 专业（三级）iv. 危重（4级）此后，随机森林分类器（RFC）用于预测患者表1COVID-19的症状症状-1症状-2症状-3症状-4症状-5症状-6症状-7症状-8发烧咳嗽喉咙痛呼吸困难胸痛流鼻涕头痛肺炎级别否否是0超过4天严重N. Zoha等人医学信息学解锁23（2021）1005326条件，其中90%的数据用作训练，其余的用作R studio（版本3.6.3）中的测试。我们已经通过编码调整了模型，最佳模型是ntree= 100（随机森林中的树数）和mtry= 2（随机表2患者病情混淆矩阵患者实际对于随机森林中的属性装袋期间的每棵树）。精度的模型是96%，这表明训练数据集是很好的构造。 随机树和混淆矩阵在下面的图中描述。 7和表2。图7显示了结果如何取决于每种症状。对于任何随机患者，如果症状-1（发热）持续超过或等于2天，将检查是否持续更长时间通过RFC预测患者表3未成年人中等3 137 0 01 0 99 1严重0 0 0 51大于或等于5天。如果是这样，患者被认为是危重患者。CCS在更高概率水平下的结果。病人否则，它将进一步检查症状-4（呼吸困难）的水平如果没有呼吸问题，将被视为中度患者。否则，它将再次检查症状-5（胸痛）的水平如果水平是轻微或中度，它将看起来超过症状2（咳嗽）。如果没有咳嗽，它将是一个中度患者，否则它将检查症状-3（喉咙痛）。如果有轻微或中度-酸疮 咽喉 患者 次要其他 它将再次检查此患者状况患者数量阳性概率100个循环中合并液测试所需的平均与传统测试相比节省的测试百分比MCS的100个循环中所需的测试次数减少一倍症状.如果喉咙痛是严重的，这将是一个关键的病人，否则它将是一个中度病人。预测的数据被用于使用R studio（版本3.6.3）在CCS中应用，以找出所需的测试总数。截至2020年6月24日，孟加拉国的COVID-19阳性病例占所进行检测总数的18%[1]。在这项研究中，结果被描绘在两个范围的概率水平的患者被测试为阳性。对于第一种情况，假设患者检测结果呈阳性的最大概率为25%（表3），在第二种情况下，假设最大概率为20%（表4）。将被视为COVID-19阳性的患者的概率范围分布在每个类别中，在表3和表4中，前2列显示了每个严重程度类别中的患者数量。然后，在针对检测阳性的相关概率水平运行CCS方法100个MCS周期后，每类患者所需的平均检测次数见第4列。在第5列中，显示了保存的测试百分比。在最后一列中，需要的MCS轻微1070.1088百分之十七点七五98中度1400.15125百分之十点七一71主要1010.2090百分之十点八九65关键510.254511.76%35总39934812.78%在100个MCS周期中，它代表了在100次模拟循环中，CCS比传统测试需要更少的测试次数，这将使我们了解CCS方法的有效性从表3中可以看出，对于次要类别，假设患者检测阳性的概率在此概率下，CCS方法应用于100个MCS周期，对于该次要类别中的总共107名患者，平均每100个周期需要88次测试，这在总体上节省了17.75%检测试剂盒。此外，从模拟中可以看出，在100个MCS循环中，在98个循环中，CCS方法与传统的单独测试方法相比花费了较少数量的测试套件。因此，最后图7.第一次会议。 来自随机森林预测器的随机树。N. Zoha等人医学信息学解锁23（2021）1005327表4CCS在较低概率水平下的结果测试方法在图10中，图表显示了CCS执行的次数患者状况患者数量阳性概率100个MCS循环中合并液检测所需的平均与传统测试相比节省的测试百分比MCS的100个循环中所需的测试次数减少一倍在患者的所有四个严重程度水平中更好，并且还可以从该图中分别在较低和较高感染概率水平下得出CCS方法本身的性能之间的比较。该图基本上显示了CCS方法对于不同感染水平的有效性。Y轴数据绘制自表3和表4的第6列，其中数据来自100个MCS周期，X轴绘制患者的严重程度。5. 讨论表3和表4的汇总结果表明，在所有情况下，与单个检测方法相比，CCS占用的检测试剂盒较少。从两个概率水平分析，显然CCS表3的列显示了CCS在更高概率水平下的有效性。综合所有类别的结果，对于399名患者，100个MCS周期平均仅需要348次检测，这导致节省了12.78%的检测试剂盒，检测COVID-19阳性的概率最高为25%，证明CCS优于传统检测方法。相反，在较低的概率水平（最大20%），CCS的性能被发现大大提高在各个方面。检测试剂盒的总减少百分比为22.81%，其中CCS中100个MCS周期所需的平均检测次数仅为308，而患者总数为399。在显示CCS有效性的最后一列中，观察到在轻微症状患者的每个周期中，CCS优于传统测试方法，对于危重患者，在60个周期中，CCS表现更好。在较低概率水平下的结果以及相邻概率水平如表4所示。比较分析如图8所示，其中该图显示了在四种患者类别下分别进行传统个体测试方法、较高感染概率下的CCS方法和较低感染概率下的CCS所需的测试数量之间的比较。对于小类，在传统的测试方法中，需要对107名患者进行107次测试。在较高概率水平下，需要88次测试，而对于较低概率水平，需要68次测试来测试所有107名患者。在图9中，比较分析是在两个概率水平之间进行的，这两个概率水平是关于随着患者的严重性等级的变化而保存的测试试剂盒的百分比。在小类中，与传统的个体相比在症状轻微的患者中表现更好，但其性能随着患者病情严重程度的增加而下降。其主要原因是，由于身体状况的严重程度较低，这些类别中的感染概率较低。此外，在不太严重的类中，池大小从64开始，这使得更多窗口来挽救集群的好处。另一方面，对于危重患者，100个周期中只有35次（表3中的危重患者类别）和100个周期中只有60次（表4中的危重患者类别），与传统的个体检测方法相比，获得了更好的结果。这可能是由于该类中感染概率较高以及初始池大小为16。对于危重患者，在第一次群集测试中获得阳性结果后，在-与传统方法一样，在这一班中进行单独测试。因此，CCS获得的结果较差，因为患者从图8中，我们可以观察到，在每个仿真步骤中，CCS比传统测试方法占用更少的测试数量。但也观察到，随着严重程度的提高，检测试剂盒的节省量随着样本量的减少而减少。再次从Figs。如图9和10所示，观察到检测试剂盒的节省随着感染概率的增加而减少。因此，可以推断，在感染率较高的情况下，CCS保存的检测试剂盒相对较少。此外，在Fig.10，两条曲线的负斜率表明，随着患者随着患者严重程度的增加，个体检测方法也会发生变化 此外，CCS方法主要依赖于症状来对患者进行分类。因此，该方法对无症状患者无效。见图8。 传统方法和CCS的试验次数比较（两种概率水平）。轻微1070.056836.45%100中度1400.10112百分之二十96主要1010.1585百分之十五点八四83关键510.204315.69%60总39930822.81%N. Zoha等人医学信息学解锁23（2021）1005328图9.第九条。 在两个概率水平下与传统测试相比节省的测试百分比。6. 结论图10个。 在两个概率水平下与传统测试相比节省的测试百分比。1. 概率范围是根据当前的统计数据和感染模式选择的。概率取决于不同的孟加拉国正在经历COVID-19传播的社区传播，为解决这一问题，最初的重点是病例识别。由于缺乏检测包，目前病例识别率很低。这项研究提出了一种方法来缓解这个问题，利用条件整群抽样。本研究将数值方法、概率抽样和健康科学相结合，提出了一种系统的整群样本检测方法，即CCS方法。RFC预测患者类别的准确性述的CCS方法根据MCS重复100个循环，这导致用于较高阳性病例检测概率的测试试剂盒节省12%，用于较低阳性病例检测概率的测试试剂盒节省22%。这将节省快速获得测试报告的时间和金钱CCS方法在大量试样测试方面是有益的然而，这项研究也有一些局限性--感染模式和情况。2. 测试数据集只有399名患者。在更高的人群中进行测试很可能会得出更准确的场景。3. 该模型不考虑无症状患者。4. 由于计算简化，在MCS中进行100个循环的模拟。增加循环次数可能会产生更精确的结果。这项研究也可以在未来使用其他复杂的工具进行探索。这项研究利用RFC对测试数据进行分类，这也可以使用深度学习或深度神经网络算法来添加更多维度。竞合利益未申报。N. Zoha等人医学信息学解锁23（2021）1005329确认我们要感谢所有对病人报告提出宝贵意见的医生。我还要感谢在整个工作过程中直接或间接鼓励和提供支持的所有其他人。引用[1] 孟加拉国冠状病毒：122，660例病例和1，582例死亡- Worldometer。”https://www.worldometers.info/coronavirus/country/bangladesh/[2] Pouwels KB，Roope LSJ，Barnett A，Hunter DJ，Nolan TM，Clarke PM.分组测试SARS-CoV-2：回到过去？药物经济学-开放2020;4（2）：207-10。https://doi.org/10.1007/s41669-020-00217-8网站。[3] 达万湾COVID-19更新：池测试如何提高速度，规模。新德里：印度斯坦时报;2020年4月5日。新德里[4] Gilbert M，et al.非洲国家防范和抵御COVID-19的输入：建模研究。柳叶刀2020;395（10227）：871-7。https：//doi.org/10.1016/S0140-6736（20）30411-6.[5] Djalante R，et al.印尼当前对COVID-19的反应的回顾和分析：2020年1月至3月。灾害科学进展2020;6：100091。https://doi.org/10.1016/j.pdisas.2020.100091网站。[6] Huang C，et al.中国武汉2019新型冠状病毒感染患者的临床特征。柳叶刀2020;395（10223）：497-506。https://doi.org/10.1016/S0140-6736（20）30183-5.[7] Harapan H，et al. Coronavirus disease 2019（COVID-19）：a literaturereview.感染与公共卫生杂志2020;13（5）：667-73。https://doi.org/10.1016/j.jiph.2020.03.019.[8] 胡志，葛庆，李世，金玲，熊明.中国新冠肺炎人工智能预测。arXiv：2002.07112。arXiv预印本; 2020.第1-20页[在线]。可用网址：http：//www.example.comarxiv.org/abs/2002.07112。[9] Tuli S，Tuli S，Tuli R，Gill SS.使用机器学习及云计算预测COVID-19疫情的增长及趋势。物联网2020; 11：100222。https://doi.org/10.1016/j.iot.2020.100222网站。[10] Ardabili SF，et al. COVID-19爆发预测与机器学习。算法2020;13（10）：249. https://doi.org/10.3390/a13100249网站。[11] Khakharia A，et al. Outbreak prediction of COVID-19 for dense and populatedcountries using machine learning.数据科学年鉴2020。https://doi.org/10.1007/s40745-020-00314-9. 0123456789。[12] Singh S，Parmar KS，Makkhan SJS，KaurJ， Peshoria S，KumarJ. Study ofARIMA and Least Square Support Vector Machine（LS-SVM）Models for theprediction of SARS-CoV-2 confirmed cases in the most affected countries.第139章：我的天https://doi.org/10.1016/j.chaos.2020.110086网站。[13] 帕尔巴特·D，查克拉博蒂·M。基于Python的支持向量回归模型用于预测印度的COVID 19病例混沌，孤立分形2020;138：109942。https://doi.org/10.1016/j.chaos.2020.109942网站。[14] Niazkar M，Niazkar HR. COVID-19爆发：多基因遗传编程在基于国家的预测模型中的应用。全科医学电子杂志2020;17（5）。https://doi.org/10.29333/ejgm/8232网站。[15] Alrashed S， Min-Allah N， Saxena A， Ali I， Mehmood R.封 城 对 沙 特 阿 拉 伯COVID-19 传 播 的 影 响 。 医 学 信 息 学 解 锁 2020;20 ： 100420 。https://doi.org/10.1016/j.imu.2020.100420网站。[16] Cohen T，et al.“池化”与预测模型的结合COVID-19（ 冠状 病毒 ）检 测数 量的 73%。 arXiv预印 本; 2020. 网址 ：http：//doi.org/10.11693/hyhz20181000233arXiv：2005.03453。[17] Lohse S等人，汇集样本用于无症状人群中的SARS-CoV-2检测。柳叶刀感染疾病2020;3099（20）。https://doi.org/10.1016/S1473-3099（20）30362-5.[18] Yelin I，et al. Evaluation of COVID-19 RT-qPCR test in multi-sample pools.medRX iv; 2020年。https://doi.org/10.1101/2020.03.26.20039438网站。[19] 放大图片作者：J.J. SARS-CoV-2混合测试策略中组大小的优化：一个简单的数学模型 J Med Virol 2020. https://doi.org/10.1002/jmv.25929网站。四月[20] 刘佳，易丙，谢可凡，晓红。德国和印度采用的COVID-19合并检测方法是否有效？2020. p. 1-10。[21] Al-Najjar H，Al-Al-Najjar N.分类器预测模型，用于预测韩国的冠状病毒COVID-19患者。Eur Rev Med Pharmacol Sci 2020;24（6）：3400-3。https://doi.org/10.26355/eurrev_202003_20709网站。[22] 吴伟杰，李伟杰，李伟杰.用于冠状病毒检测和预测今日材料：2020年会议录XXX. https://doi.org/10.1016/j.matpr.2020.06.245网站。[23] Iwendi C等人，使用提升随机森林算法进行COVID-19患者健康预测。公共卫生前沿2020;8：1-9。https://doi.org/10.3389/fpubh.2020.00357. 七月[24] 冠 状 病 毒 ： 孟 加 拉 国 分 为 红 色 ， 黄 色 ， 绿 色 区 域 。https://en.somoynews.tv/8611/news/Coronavirus-Bangladesh-divided-into-red-yellow-green-zowww.example.com 2020年6月24日访问[25] 布雷曼湖随机森林 Mach Learn 2001;45（1）：5-32. https://doi.org/10.1201/9780367816377-11。[26] 萨尔茨贝格湾书评：C4。5. J. Ross Quinlan公司，1993.机器学习程序摩根考夫曼出版社。Mach Learn 1994;16：235-40. 网址：//doi. org/10.1016/S0019-9958（64）90259-1。[27] 刘 C， 怀 特 M， 纽 维 尔 G.物 种 分 布 模 型 的 准 确 性 测 量 ： 综 述 。 第 18届 世 界IMAC/MODSIM大会。澳大利亚凯恩斯;2009.第4241-7页。 七月[28] Arfiani A，Rujiang Z.使用装袋和随机森林的卵巢癌数据分类。AIP会议记录2019;2168。https://doi.org/10.1063/1.5132473. 十一月[29] Raychaudhuri S.蒙特卡罗模拟简介。在：冬季模拟会议. IEEE; 2008年。p. 91比100