Deep Learning Based Multi-Label Prediction of Hospitalization for COVID-19 Cases
Notice bibliographique
Résumé
Health informatics is an interdisciplinary area where computer science and related disciplines meet to address problems and support healthcare and medicine. In particular, computer has played an important role in medicine. Many existing computer-based systems (e.g., machine learning models) for healthcare applications produce binary prediction (e.g., whether a patient catches a disease or not). However, there are situations in which a non-binary prediction (e.g., what is hospitalization status of a patient) is needed. As a concrete example, over the past two years, people around the world have been affected by the coronavirus disease 2019 (COVID-19) pandemic. There have been works on binary prediction to determine whether a patient is COVID-19 positive or not. With availability of alternative methods (e.g., rapid test), such a binary prediction has become less important. Moreover, with the evolution of the disease (e.g., recent development of COVID-19 Omicron variant), multi-label prediction of the hospitalization status has become more important when compared with binary prediction on the confirmation of cases. Hence, in this paper, we present a multi-label prediction system for computer-based medical applications. Our system makes use of autoencoders (consisting of encoders and decoders) and few-shot learning to predict the hospitalization status (e.g., ICU, semi-ICU, regular wards, or no hospitalization). The prediction is important for allocation of medical resources (e.g., hospital facilities and medical staff), which in turn affect patient lives. Experimental results on real-life open datasets show that, when training with only a few data, our multilabel prediction system gave a high F1-score when predicting hospitalization status of COVID-19 cases.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».