Risk Factors Associated with Mortality in COVID‐19 Hospitalized Patients: Data from the Middle East
Notice bibliographique
Résumé
This study aimed to assess the risk factors for COVID-19 mortality among hospitalized patients in Jordan. All COVID-19 patients admitted to a tertiary hospital in Jordan from September 20, 2020, to August 8, 2021, were included in this study. Demographics, clinical characteristics, comorbidities, and laboratory results were extracted from the patients' electronic records. Multivariable logistic and machine learning (ML) methods were used to study variable importance. Out of 1,613 COVID-19 patients, 1,004 (62.2%) were discharged from the hospital (survived), while 609 (37.8%) died. Patients who were of elderly age (>65 years) (OR, 2.01; 95% CI, 1.28-3.16), current smokers (OR, 1.61; 95%CI, 1.17-2.23), and had severe or critical illness at admission ((OR, 1.56; 95%CI, 1.05-2.32) (OR, 2.94; 95%CI, 2.02-4.27); respectively), were at higher risk of mortality. Comorbidities including chronic kidney disease (OR, 2.90; 95% CI, 1.90-4.43), deep venous thrombosis (OR, 2.62; 95% CI, 1.08-6.35), malignancy (OR, 2.22; 95% CI, 1.46-3.38), diabetes (OR, 1.31; 95% CI, 1.04-1.65), and heart failure (OR, 1.51; 95% CI, 1.02-2.23) were significantly associated with increased risk of mortality. Laboratory abnormalities associated with mortality included hypernatremia (OR, 11.37; 95% CI, 4.33-29.81), elevated aspartate aminotransferase (OR, 1.81; 95% CI, 1.42-2.31), hypoalbuminemia (OR, 1.75; 95% CI, 1.37-2.25), and low platelets level (OR, 1.43; 95% CI, 1.05-1.95). Several demographic, clinical, and laboratory risk factors for COVID-19 mortality were identified. This study is the first to examine the risk factors associated with mortality using ML methods in the Middle East. This will contribute to a better understanding of the impact of the disease and improve the outcome of the pandemic worldwide.
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 | 0,012 | 0,724 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».