Use of data mining approaches to explore the association between type 2 diabetes mellitus with SARS-CoV-2
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Corona virus causes respiratory tract infections in mammals. The latest type of Severe Acute Respiratory Syndrome Corona-viruses 2 (SARS-CoV-2), Corona virus spread in humans in December 2019 in Wuhan, China. The purpose of this study was to investigate the relationship between type 2 diabetes mellitus (T2DM), and their biochemical and hematological factors with the level of infection with COVID-19 to improve the treatment and management of the disease. MATERIAL AND METHOD: This study was conducted on a population of 13,170 including 5780 subjects with SARS-COV-2 and 7390 subjects without SARS-COV-2, in the age range of 35-65 years. Also, the associations between biochemical factors, hematological factors, physical activity level (PAL), age, sex, and smoking status were investigated with the COVID-19 infection. RESULT: Data mining techniques such as logistic regression (LR) and decision tree (DT) algorithms were used to analyze the data. The results using the LR model showed that in biochemical factors (Model I) creatine phosphokinase (CPK) (OR: 1.006 CI 95% (1.006,1.007)), blood urea nitrogen (BUN) (OR: 1.039 CI 95% (1.033, 1.047)) and in hematological factors (Model II) mean platelet volume (MVP) (OR: 1.546 CI 95% (1.470, 1.628)) were significant factors associated with COVID-19 infection. Using the DT model, CPK, BUN, and MPV were the most important variables. Also, after adjustment for confounding factors, subjects with T2DM had higher risk for COVID-19 infection. CONCLUSION: There was a significant association between CPK, BUN, MPV and T2DM with COVID-19 infection and T2DM appears to be important in the development of COVID-19 infection.
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 | 0,003 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».