Weibull Regression Model on Hospitalization Time Data of COVID-19 Patients at Abdul Wahab Sjahranie Hospital Samarinda
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Weibull regression model is a Weibull distribution that is directly influenced by covariates. The Weibull regression model discussed in this study was the Weibull survival and the Weibull hazard regression model. The Weibull regression model in this study was applied to the hospitalization time data of COVID-19 patients from May to September 2021 at the RSUD Abdul Wahab Sjahranie Samarinda. The event of the study is recovery of patient. This study aims to obtain Weibull survival and hazard regression model to the hospitalization time data of Covid-19 patients, to obtain the factors that affect the chance of not recovering (survive) and the recovery rate of Covid-19 patients, and also to interpret Weibull survival and hazard regression models based on the obtained model. In this study, the Maximum Likelihood Estimation (MLE) was used as the parameter estimation method. The closed form of the Maximum Likelihood (ML) estimator cannot be found analytically, and the approximation of ML estimator was found using Newton-Raphson iterative method. Based on the test results, the factors that influence the chance of not recovering and the recovery rate of COVID-19 patients were comorbidities history. The chance of not not recovering (survive) for patients who have a history of comorbidities is greater than the chance of not recovering (survive) for patients who have no history of comorbidities. The recovery rate for COVID-19 patients who have a history of comorbidities is 0,5358 times the recovery rate for patients without a history of comorbidities.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle