Factors associated with SARS-CoV-2 test positivity in long-term care homes: A population-based cohort analysis using machine learning
Notice bibliographique
Résumé
BACKGROUND: SARS-Cov-2 infection rates are high among residents of long-term care (LTC) homes. We used machine learning to identify resident and community characteristics predictive of SARS-Cov-2 infection. METHODS: We linked 26 population-based health and administrative databases to identify the population of all LTC residents tested for SARS-Cov-2 infection in Ontario, Canada. Using ensemble-based algorithms, we examined 484 factors, including individual-level demographics, healthcare use, comorbidities, functional status, and laboratory results; and community-level characteristics to identify factors predictive of infection. Analyses were performed separately for January to April (early wave 1) and May to August (late wave 1). FINDINGS: Among 80,784 LTC residents, 64,757 (80.2%) were tested for SARS-Cov-2 (median age 86 (78-91) years, 30.6% male), of whom 10.2% of 33,519 and 5.2% of 31,238 tested positive in early and late wave 1, respectively. In the late phase (when restriction of visitors, closure of communal spaces, and universal masking in LTC were routine), regional-level characteristics comprised 33 of the top 50 factors associated with testing positive, while laboratory values and comorbidities were also predictive. The c-index of the final model was 0.934, and sensitivity was 0.887. In the highest versus lowest risk quartiles, the odds ratio for infection was 114.3 (95% CI 38.6-557.3). LTC-related geographic variations existed in the distribution of observed infection rates and the proportion of residents at highest risk. INTERPRETATION: Machine learning informed evaluation of predicted and observed risks of SARS-CoV-2 infection at the resident and LTC levels, and may inform initiatives to improve care quality in this setting. FUNDING: Funded by a Canadian Institutes of Health Research, COVID-19 Rapid Research Funding Opportunity grant (# VR4 172736) and a Peter Munk Cardiac Centre Innovation Grant. Dr. D. Lee is the Ted Rogers Chair in Heart Function Outcomes, University Health Network, University of Toronto. Dr. Austin is supported by a Mid-Career investigator award from the Heart and Stroke Foundation. Dr. McAlister is supported by an Alberta Health Services Chair in Cardiovascular Outcomes Research. Dr. Kaul is the CIHR Sex and Gender Science Chair and the Heart & Stroke Chair in Cardiovascular Research. Dr. Rochon holds the RTO/ERO Chair in Geriatric Medicine from the University of Toronto. Dr. B. Wang holds a CIFAR AI chair at the Vector Institute.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».