Prediction of Hospital Status of COVID-19 Patients from E-Health Records
Notice bibliographique
Résumé
In the current era of big data, very large amounts of data are generating at a rapid rate from a wide variety of rich data sources. Embedded in these big data are valuable information and knowledge that can be discovered by data science, data mining and machine learning techniques. Electronic health (e-health) records are examples of the big data. With the technological advancements, more healthcare practice has gradually been supported by electronic processes and communication. This enables health informatics, in which computer science meets the healthcare sector to address healthcare and medical problems. As a concrete example, there have been more than 610 millions cumulative cases of coronavirus disease 2019 (COVID-19) worldwide over the past 2.5 years since COVID-19 has declared as a pandemic. As some of these cases require hospitalization. it is important to estimate the demand in hospitalization. Moreover, different levels of hospitalization may require different types of resources (e.g., hospital beds, medical staff). For example, patients admitted into the intensive care unit (ICU) may require assisted ventilation. Hence, in this paper, we present models to make predictions based on e-health records. Specifically, our binary model predicts whether a patient require hospitalization, whereas our multi-class model predicts what level of hospitalization (e.g., regular ward, semi-ICU, ICU) is required by the patient. Our models uses few-shot learning (and may use multi-task learning) with autoencoders (comprising encoders and decoders) and a predictor. Evaluation results on real-life e-health records show the practicality of our models in predicting hospital statuses of COVID-19 cases and the benefits of these models towards effective allocation of resources (e.g., hospital facilities, staff).
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 | 0,000 |
| 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) | 0,000 | 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 ».