Health Analytics on Big COVID-19 Data
Notice bibliographique
Résumé
Summary form only given, as follows. Health analytics, which make good uses of techniques like data mining and machine learning, can be applied to numerous real-life applications and services. For example, it can be applied to the identification and predictive analytics of coronavirus disease 2019 (COVID-19). However, many existing health analytic works require large volumes of data train the classification and prediction models. Note that these data (e.g., computed tomography (CT) scan images, viral/molecular test results) that can be expensive to produce and/or not easily accessible. For instance, partially due to privacy concerns and other factors, the volume of available disease data can be limited. Hence, in this paper, we present a system for health analytics. Specifically, the system make good use of autoencoder, few-shot learning and multitask learning to train the prediction model with only a few samples of more accessible and less expensive types of data (e.g., serology/antibody test results from blood samples), which helps to support prediction on classification of potential patients (e.g., potential COVID-19 patients). Moreover, the system also provides users (e.g., healthcare providers) with interpretable explanation of the prediction results, which increases their trust in the system. With this system, users could then focus and provide timely treatment to the true patients, thus preventing them for spreading the disease in the community. The system is helpful, especially for rural areas, when sophisticated equipment (e.g., CT scanners) may be unavailable. Evaluation results on a real-life datasets demonstrate the effectiveness of our system in health analytics, especially in classifying and explaining crucial information about COVID-19 patients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».