Obstructive Sleep Apnea (OSA) and COVID-19: Mortality Prediction of COVID-19-Infected Patients with OSA Using Machine Learning Approaches
Notice bibliographique
Résumé
COVID-19, or coronavirus disease, has caused an ongoing global pandemic causing un-precedented damage in all scopes of life. An infected person with underlaying medical conditions is at greater risk than the rest of the population. Obstructive sleep apnea (OSA) is an illness associated with disturbances during sleep or an unconscious state with blockage of the airway passage. The comobordities of OSA with high blood pressure, diabetes, obesity, and age can place the life of an already infected COVID-19 patient into danger. In this paper, a prediction model for the mortality of a COVID-infected patient suffering from OSA is developed using machine learning algorithms. After an extensive methodical search, we designed an artificial neural network that can predict the mortality with an overall accuracy of 99% and a precision of 100% for forecasting the fatality chances of COVID-infected patients. We believe our model can accurately predict the mortality of the patients and can therefore assist medical health workers in predicting and making emergency clinical decisions, especially in a limited resource scenario, based on the medical history of the patients and their future potential risk of death. In this way, patients with a greater risk of mortality can receive timely treatment and benefit from proper ICU resources. Such artificial intelligent application can significantly reduce the overall mortality rate of vulnerable patients with existing medical disorders.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».