[Risk predictive models of healthcare-seeking delay among imported malaria patients in Jiangsu Province based on the machine learning].
Notice bibliographique
Résumé
OBJECTIVE: To create risk predictive models of healthcare-seeking delay among imported malaria patients in Jiangsu Province based on machine learning algorithms, so as to provide insights into early identification of imported malaria cases in Jiangsu Province. METHODS: Case investigation, first symptoms and time of initial diagnosis of imported malaria patients in Jiangsu Province in 2019 were captured from Infectious Disease Report Information Management System and Parasitic Disease Prevention and Control Information Management System of Chinese Center for Disease Control and Prevention. The risk predictive models of healthcare-seeking delay among imported malaria patients were created with the back propagation (BP) neural network model, logistic regression model, random forest model and Bayesian model using thirteen factors as independent variables, including occupation, species of malaria parasite, main clinical manifestations, presence of complications, severity of disease, age, duration of residing abroad, frequency of malaria parasite infections abroad, incubation period, level of institution at initial diagnosis, country of origin, number of individuals travelling with patients and way to go abroad, and time of healthcare-seeking delay as a dependent variable. Logistic regression model was visualized using a nomogram, and the nomogram was evaluated using calibration curves. In addition, the efficiency of the four models for prediction of risk of healthcare-seeking delay among imported malaria patients was evaluated using the area under curve (AUC) of receiver operating characteristic curve (ROC). The importance of each characteristic was quantified and attributed by using SHAP to examine the positive and negative effects of the value of each characteristic on the predictive efficiency. RESULTS: > 0.05). The sensitivity (71.00%) and Youden index (43.92%) of the logistic regression model was higher than those of the BP neural network (63.00% and 36.61%, respectively), and the specificity of the BP neural network model (73.61%) was higher than that of the logistic regression model (72.92%). CONCLUSIONS: Imported malaria cases with long duration of residing abroad, a history of malaria parasite infection, long incubation period, advanced age and seeking healthcare in provincial or municipal medical institutions have a high likelihood of delay in healthcare-seeking in Jiangsu Province. The models created based on the logistic regression and BP neural network show a high efficiency for prediction of the risk of healthcare-seeking among imported malaria patients in Jiangsu Province, which may provide insights into health management of imported malaria 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 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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».