Artificial intelligence to predict the risk of mortality from Covid-19: Insights from a Canadian Application
Notice bibliographique
Résumé
Abstract The Severe Acute Respiratory Syndrome COVID-19 virus (SARS-CoV-2) has had enormous impacts, indicating need for non-pharmaceutical interventions (NPIs) using Artificial Intelligence (AI) modeling. Investigation of AI models and statistical models provides important insights within the province of Ontario as a case study application using patients’ physiological conditions, symptoms, and demographic information from datasets from Public Health Ontario (PHO) and the Public Health Agency of Canada (PHAC). The findings using XGBoost provide an accuracy of 0.9056 for PHO, and 0.935 for the PHAC datasets. Age is demonstrated to be the most important variable with the next two variables being Hospitalization and Occupation. Further, AI models demonstrate identify the importance of improved medical practice which evolved over the six months in treating COVID-19 virus during the pandemic, and that age is absolutely now the key factor, with much lower importance of other variables that were important to mortality near the beginning of the pandemic. An XGBoost model is shown to be fairly accurate when the training dataset surpasses 1000 cases, indicating that AI has definite potential to be a useful tool in the fight against COVID-19 even when caseload numbers needed for effective utilization of AI model are not large.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».