Predicting adverse outcomes in pregnant patients positive for SARS-CoV-2: a machine learning approach- a retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: Pregnant people are particularly vulnerable to SARS-CoV-2 infection and to ensuing severe illness. Predicting adverse maternal and perinatal outcomes could aid clinicians in deciding on hospital admission and early initiation of treatment in affected individuals, streamlining the triaging processes. METHODS: An international repository of 1501 SARS-CoV-2-positive cases in pregnancy was created, consisting of demographic variables, patient comorbidities, laboratory markers, respiratory parameters, and COVID-19-related symptoms. Data were filtered, preprocessed, and feature selection methods were used to obtain the optimal feature subset for training a variety of machine learning models to predict maternal or fetal/neonatal death or critical illness. RESULTS: The Random Forest model demonstrated the best performance among the trained models, correctly identifying 83.3% of the high-risk patients and 92.5% of the low-risk patients, with an overall accuracy of 89.0%, an AUC of 0.90 (95% Confidence Interval 0.83 to 0.95), and a recall, precision, and F1 score of 0.85, 0.94, and 0.89, respectively. This was achieved using a feature subset of 25 features containing patient characteristics, symptoms, clinical signs, and laboratory markers. These included maternal BMI, gravidity, parity, existence of pre-existing conditions, nicotine exposure, anti-hypertensive medication administration, fetal malformations, antenatal corticosteroid administration, presence of dyspnea, sore throat, fever, fatigue, duration of symptom phase, existence of COVID-19-related pneumonia, need for maternal oxygen administration, disease-related inpatient treatment, and lab markers including sFLT-1/PlGF ratio, platelet count, and LDH. CONCLUSIONS: We present the first COVID-19 prognostication pipeline specifically for pregnant patients while utilizing a large SARS-CoV-2 in pregnancy data repository. Our model accurately identifies those at risk of severe illness or clinical deterioration, presenting a promising tool for advancing personalized medicine in pregnant patients with COVID-19.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».