A Markov Chain Monte Carlo (MCMC) Multivariate Analysis of the Association of Vital Parameter Variation With the Lunar Cycle in Patients Hospitalized With COVID-19
Notice bibliographique
Résumé
INTRODUCTION: Over the last three years, the world has been battling a long-drawn pandemic resulting from the coronavirus outbreak. Despite the safety measures, there have been multiple pandemic waves happening throughout the world. Therefore, it is necessary to understand the fundamental characteristics of COVID-19 transmission and pathogenesis to overcome the threat of the pandemic. This study focused on hospitalized COVID-19 patients because of their high mortality rate, which indicates the need to improve inpatient management. METHODS: Based on the cyclic nature of the pandemic, observations were made to examine the influence of lunar phases on six vital parameters of COVID-19 patients. A multivariate analysis was carried out to study the interactions of lunar phase pairwise on COVID-19 statuses and COVID-19 status pairwise on lunar phases by treating six vital parameters as independent entities. RESULTS: The results of multivariate analysis on the data of 215,220 vital values showed that lunar phases are associated with trends in variations in the vital parameters of COVID-19-infected patients. CONCLUSION: In summary, our results show that patients infected with COVID-19 appear to be more susceptible to lunar influence compared to non-COVID-19 patients. Furthermore, this study shows a vital parameter destabilization window (DSW) that can help identify which hospitalized COVID-19 patients can recover. Our pilot study forms the basis for future studies to eventually establish the incorporation of variation of vital signs with the lunar cycle into the standard of care for COVID-19 patients.
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 | 0,002 |
| 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 ».