Deep Learning Model for Early Subsequent COPD Exacerbation Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Chronic Obstructive Pulmonary Disease (COPD) patients have a burden of frequent exacerbations during daily life. Automatic solutions for early COPD exacerbation prediction could promote COPD healthcare and reduce hospital readmissions. Previous works didn't consider symptoms change patterns which might not be effective for timely and personalized therapy. When using a pulse oximeter for COPD diagnosis, arterial oxygen saturation (SPO2) levels are targeted, depending on whether a patient is stable, hospitalized, or being recovered from exacerbation states. However, the timely management of COPD is a problem, due to the manual monitoring of individual measurements. This research investigates whether the Long Short-Term Memory (LSTM) model can predict early COPD subsequent exacerbation by prompting therapy depending on COPD symptoms patterns and SPO2 burden levels. Time-stamped Electronic Health Record (EHR) from COPD patients' data time series were examined, over subsequent days, with the aim to evaluate a short-time window which a monitoring system for an accurate and early prediction of subsequent exacerbations could be based on. Therefore, the LSTM model was evaluated by varying a window of one to six prior time-steps, to forecast a subsequent day. The window of 1 day showed a good performance of a training accuracy of 87%, a testing accuracy of 85% and an area under the curve (AUC) of 0.83, by employing the training and testing model on only 54 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.
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 | 0,000 |
| 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 découle