Nomogram for Predicting COVID-19 Disease Progression Based on Single-Center Data: Observational Study and Model Development
Notice bibliographique
Résumé
BACKGROUND: In late December 2019, a pneumonia caused by SARS-CoV-2 was first reported in Wuhan and spread worldwide rapidly. Currently, no specific medicine is available to treat infection with COVID-19. OBJECTIVE: The aims of this study were to summarize the epidemiological and clinical characteristics of 175 patients with SARS-CoV-2 infection who were hospitalized in Renmin Hospital of Wuhan University from January 1 to January 31, 2020, and to establish a tool to identify potential critical patients with COVID-19 and help clinical physicians prevent progression of this disease. METHODS: In this retrospective study, clinical characteristics of 175 confirmed COVID-19 cases were collected and analyzed. Univariate analysis and least absolute shrinkage and selection operator (LASSO) regression were used to select variables. Multivariate analysis was applied to identify independent risk factors in COVID-19 progression. We established a nomogram to evaluate the probability of progression of the condition of a patient with COVID-19 to severe within three weeks of disease onset. The nomogram was verified using calibration curves and receiver operating characteristic curves. RESULTS: A total of 18 variables were considered to be risk factors after the univariate regression analysis of the laboratory parameters (P<.05), and LASSO regression analysis screened out 10 risk factors for further study. The six independent risk factors revealed by multivariate Cox regression were age (OR 1.035, 95% CI 1.017-1.054; P<.001), CK level (OR 1.002, 95% CI 1.0003-1.0039; P=.02), CD4 count (OR 0.995, 95% CI 0.992-0.998; P=.002), CD8 % (OR 1.007, 95% CI 1.004-1.012, P<.001), CD8 count (OR 0.881, 95% CI 0.835-0.931; P<.001), and C3 count (OR 6.93, 95% CI 1.945-24.691; P=.003). The areas under the curve of the prediction model for 0.5-week, 1-week, 2-week and 3-week nonsevere probability were 0.721, 0.742, 0.87, and 0.832, respectively. The calibration curves showed that the model had good prediction ability within three weeks of disease onset. CONCLUSIONS: This study presents a predictive nomogram of critical patients with COVID-19 based on LASSO and Cox regression analysis. Clinical use of the nomogram may enable timely detection of potential critical patients with COVID-19 and instruct clinicians to administer early intervention to these patients to prevent the disease from worsening.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».