Machine Learning Models Towards Prediction of COVID and Non-COVID 19 Patients in the Hospital’s Intensive Care Units (ICU)
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 global proliferation of COVID-19 prompted research towards the virus's detection and eventual eradication.One important area of research is the use of machine learning (ML) to realize and battle COVID-19.The goal of this study is to use machine learning to monitor COVID and non-COVID-19 patients and decide whether or not to transfer them to the intensive care unit (ICU).The precise disease diagnosis was essential due to the lack of oxygen supplementation in the majority of hospitals around the world.It will improve the effectiveness of the ICU facilities and lessen the load on the medical personnel and the ICU facilities by accurately forecasting how patients will be treated.If stable patients are recognized among all patients, home treatment could be established for stable patients.In this research, three machine learning algorithms were chosen as the method used, which are K-Nearest Neighbor (KNN), Support Vector Machine (SVM), and Extra Tree Classifier.These algorithms were chosen for their simplicity and robustness and based on the conducted literature review.A dataset containing 100 ICU and 131 stable patients of Covid and non-Covid samples from 24 th Moscow City State Hospital was used.By using SMOTE technique with 10-fold cross-validation and feature selection on the dataset, KNN achieved an accuracy of 94.65%, SVM with an accuracy of 94.65%, and an accuracy of 96.18% for the Extra Tree Classifier.The outcomes of this research on the selected dataset prove how accurate these algorithms were able to predict the classes.
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 | 0,000 | 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 découle