Machine-Learning-based prioritisation of Long COVID 
patients for specialist consultation

Kerezis, Argyrios; Κερέζης, Αργύριος

dc.contributor.author	Kerezis, Argyrios	el
dc.contributor.author	Κερέζης, Αργύριος	en
dc.date.accessioned	2024-09-18T11:41:54Z
dc.date.available	2024-09-18T11:41:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60227
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27923
dc.description	Translational Engineering in Health and Medicine
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Ταξινόμηση πολλαπλών κλάσεων	el
dc.subject	Μακροχρόνια covid	el
dc.subject	Supervised learning	en
dc.subject	Multi-class classification	en
dc.subject	Machine learning	en
dc.subject	Long covid	en
dc.title	Machine-Learning-based prioritisation of Long COVID patients for specialist consultation	en
heal.type	masterThesis
heal.classification	Biomedical Engineering	en
heal.classification	Machine learning	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-06-20
heal.abstract	Εισαγωγή: Η μακροχρόνια COVID, ένα επακόλουθο της λοίμωξης SARS-CoV-2, αποτελεί σημαντική επιβάρυνση για τα συστήματα υγειονομικής περίθαλψης. Η αποτελεσματική ταξινόμηση των ασθενών για συμβουλές από ειδικούς είναι ζωτικής σημασίας για την έγκαιρη και κατάλληλη περίθαλψη. Προτείνεται ένας αλγόριθμος μηχανικής μάθησης (ML) για την ιεράρχηση των ασθενών με μακροχρόνιο COVID για αρχική διάγνωση από με καρδιολόγους, πνευμονολόγους ή ψυχιάτρους. Μέθοδοι: Σε αυτή την εργασία, προτείνεται ένα μοντέλο ML με τη χρήση ενός ταξινομητή διανυσματικής μηχανής υποστήριξης (SVM) με τεχνική συνθετικής υπερδειγματοληψίας μειοψηφίας (SMOTE) για το χειρισμό της ανισορροπίας των κλάσεων και τεχνικές επιλογής χαρακτηριστικών. Τα δεδομένα προέρχονται από ένα εν εξελίξει ερευνητικό πρόγραμμα που εξετάζει ολιστικά τους ασθενείς με μακροχρόνια Covid. Τα δεδομένα, που αποκτήθηκαν κατά την πρώτη επίσκεψη στην κλινική, από 175 ασθενείς περιλάμβαναν δημογραφικά στοιχεία, σοβαρότητα COVID-19, κατάσταση εμβολιασμού, επικυρωμένα ερωτηματολόγια (BECK Depression, PTSD, ABC, CAT, EQ-5D, HADS Depression/Anxiety, SF-36) και συγκεκριμένα συμπτώματα (εντερικές διαταραχές, διαταραχές ύπνου, προκάρδιος πόνος). Το μοντέλο εκπαιδεύτηκε και επικυρώθηκε με τη χρήση 5πλής διασταυρούμενης επικύρωσης (5-fold Stratified Cross-Validation) και ανακατεύθυνση των δεδομένων. Αποτελέσματα: Το μοντέλο SVM πέτυχε ακρίβεια 0.67 και περιοχή κάτω από την καμπύλη (AUC) 0.84, ξεπερνώντας άλλα μοντέλα (Random Forest, K-Nearest Neighbours, Decision Tree, XGBoost). Ειδικότερα, η βαθμολογία SF-36 Γενική Υγεία (SF-36 GH-N) αναδείχθηκε ως ο σημαντικότερος παράγοντας για την ταξινόμηση των ομάδων κινδύνου των ασθενών, ενώ ακολουθούν το SF-36_BP-N (σωματικός πόνος) και το ερωτηματολόγιο άγχους HADS. Συμπεράσματα: Η παρούσα μελέτη καταδεικνύει τις δυνατότητες μιας προσέγγισης με βάση τη μηχανική μάθηση για την ιεράρχηση των ασθενών με μακροχρόνια COVID για αρχική διάγνωση από εξειδικευμένους ιατρούς. Αξιοποιώντας τα δεδομένα των ασθενών και τα επικυρωμένα ερωτηματολόγια, ο αλγόριθμος μπορεί να καθοδηγήσει την κατανομή των πόρων και να επιταχύνει την παραπομπή στους κατάλληλους ιατρούς, βελτιώνοντας τη φροντίδα των ασθενών. Τα αποτελέσματα υποδηλώνουν ότι η συνολική αντίληψη της υγείας ενός ασθενούς διαδραματίζει κρίσιμο ρόλο στον εντοπισμό του πιο απαραίτητου ειδικού για την αρχική διάγνωση. Σε επόμενα στάδια, θα διερευνηθεί ο αντίκτυπος του αλγορίθμου στην κλινική ροή εργασίας και τα αποτελέσματα των ασθενών σε μια προοπτική μελέτη.	el
heal.abstract	Introduction: Long COVID, a post-acute sequela of SARS-CoV-2 infection, poses a significant burden on healthcare systems. Efficient triaging of patients for specialist consultation is vital for timely and appropriate care. A machine learning (ML) algorithm is proposed in this thesis to prioritise long-COVID patients for initial consultations with cardiologists, pulmonologists, or psychiatrists. Methods: A ML model was developed using a Support Vector Machine (SVM) classifier with Synthetic Minority Oversampling Technique (SMOTE) for class imbalance handling and feature selection techniques. The dataset was acquired from an ongoing research project that examines holistically Long Covid patients. Data, collected from the first consultation in the Long Covid clinic, from 175 patients included demographics, COVID-19 severity, vaccination status, validated questionnaires (BECK Depression, PTSD, ABC, CAT, EQ-5D, HADS Depression/Anxiety, SF-36), and specific symptoms (intestinal disorders, sleep disorders, precardial pain). The model was trained and validated using 5-fold Stratified Cross-Validation and shuffling of the data. Results: The SVM model achieved an accuracy of 0.67 and an Area Under the Curve (AUC) of 0.84, outperforming other models (Random Forest, K-Nearest Neighbours, Decision Tree, XGBoost). Notably, the SF-36 General Health (SF-36 GH-N) score emerged as the most important factor for patient risk group classification, while SF 36_BP-N (bodily pain), and the HADS anxiety questionnaire follow. Conclusion: This study demonstrates the potential of an ML-based approach to prioritise long-COVID patients for specialist consultations. By leveraging patient data and validated questionnaires, the algorithm can guide resource allocation and expedite access to appropriate specialists, improving patient care. The results suggests that a patient's overall health perception plays a crucial role in identifying the most needed specialist for their initial consultation. Future work will investigate the impact of the algorithm on clinical workflow and patient outcomes in a prospective study.	en
heal.advisorName	Γολεμάτη, Σπυρέττα	el
heal.advisorName	Golemati, Spyretta	en
heal.committeeMemberName	Γολεμάτη, Σπυρέττα	el
heal.committeeMemberName	Golemati, Spyretta	en
heal.committeeMemberName	Ασβεστάς, Παντελεήμων	el
heal.committeeMemberName	Asvestas, Panteleimon	en
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Nikita, Konstantina	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	115 σ.	el
heal.fullTextAvailability	false