Predictors of invasive mechanical ventilation in hospitalized COVID-19 patients: a retrospective study from Jordan
Notice bibliographique
Résumé
OBJECTIVES: To identify early indicators for invasive mechanical ventilation utilization among COVID-19 patients. METHODS: This retrospective study evaluated COVID-19 patients who were admitted to hospital from 20 September 2020, to 8 August 2021. Multivariable logistic regression and machine learning (ML) methods were employed to assess variable significance. RESULTS: Among 1,613 confirmed COVID-19 patients, 365 patients (22.6%) received invasive mechanical ventilation (IMV). Factors associated with IMV included older age >65 years (OR,1.46; 95%CI, 1.13-1.89), current smoking status (OR, 1.71; 95%CI, 1.22-2.41), critical disease at admission (OR, 1.97; 95%CI, 1.28-3.03), and chronic kidney disease (OR, 2.07; 95%CI, 1.37-3.13). Laboratory abnormalities that were associated with increased risk for IMV included high leukocyte count (OR, 2.19; 95%CI, 1.68-2.87), low albumin (OR, 1.76; 95%CI, 1.33-2.34) and high AST (OR, 1.71; 95%CI, 1.31-2.22). CONCLUSION: Our study suggests that there are several factors associated with the increased need for IMV among COVID-19 patients. These findings will help in early identification of patients at high risk for IMV and reallocation of hospital resources toward patients who need them the most to improve their outcomes.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,000 | 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 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 ».