Simple Accurate Regression-Based Forecasting of Intensive Care Unit Admissions due to COVID-19 in Ontario, Canada
Notice bibliographique
Résumé
Abstract The pandemic caused by SARS-CoV-2 has proven challenging clinically, and at the population level, due to heterogeneity in both transmissibility and severity. Recent case incidence in Ontario, Canada (autumn 2020) has outstripped incidence in seen during the first (spring) pandemic wave; but has been associated with a lower incidence of intensive care unit (ICU) admissions and deaths. We hypothesized that differential ICU burden might be explained by increased testing volumes, as well as the shift in mean case age from older to younger. We constructed a negative binomial regression model using only three covariates, at a 2-week lag: log 10 (weekly cases); log 10 (weekly deaths); and mean weekly case age. This model reproduced observed ICU admission volumes, and demonstrated good preliminary predictive validity. Furthermore, when admissions were used in combination with ICU length of stay, our modeled estimates demonstrated excellent convergent validity with ICU occupancy data reported by the Canadian Institute for Health Information. Our approach needs external validation in other settings and at larger and smaller geographic scales, but appears to be a useful short-term forecasting tool for ICU resource demand; we also demonstrate that the virulence of SARS-CoV-2 infection has not meaningfully changed in Ontario between the first and second waves, but the demographics of those infected, and the fraction of cases identified, have.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».