Bayesian networks and imaging-derived phenotypes highlight the role of fat deposition in COVID-19 hospitalisation risk
Notice bibliographique
Résumé
Objective: Obesity is a significant risk factor for adverse outcomes following coronavirus infection (COVID-19). However, BMI fails to capture differences in the body fat distribution, the critical driver of metabolic health. Conventional statistical methodologies lack functionality to investigate the causality between fat distribution and disease outcomes. Methods: We applied Bayesian network (BN) modelling to explore the mechanistic link between body fat deposition and hospitalisation risk in 459 participants with COVID-19 (395 non-hospitalised and 64 hospitalised). MRI-derived measures of visceral adipose tissue (VAT), subcutaneous adipose tissue (SAT), and liver fat were included. Conditional probability queries were performed to estimate the probability of hospitalisation after fixing the value of specific network variables. Results: The probability of hospitalisation was 18% higher in people living with obesity than those with normal weight, with elevated VAT being the primary determinant of obesity-related risk. Across all BMI categories, elevated VAT and liver fat (>10%) were associated with a 39% mean increase in the probability of hospitalisation. Among those with normal weight, reducing liver fat content from >10% to <5% reduced hospitalisation risk by 29%. Conclusion: Body fat distribution is a critical determinant of COVID-19 hospitalisation risk. BN modelling and probabilistic inferences assist our understanding of the mechanistic associations between imaging-derived phenotypes and COVID-19 hospitalisation risk.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».