Demystifying COVID-19 Mortality Causes with Interpretable Data Mining
Notice bibliographique
Résumé
Abstract While SARS-CoV-2 infection rates are declining, older adults remain vulnerable to severe disease with high mortality. Although there have been some studies on revealing different risk factors affecting the death of COVID-19 patients, such as bilirubin, organ failure, patient age, and underlying disease, they fail to provide a comprehensive analysis to reveal their relationships and interactive effects on the risk of death. Based on the demographic information, inspection indicators, and underlying diseases of 1917 patients (102 were dead) admitted to Xiangya Hospital over a 4-month period, we used the association rule mining method to identify the risk factors leading causes of death among elderly Omicron patients. Firstly, we used the Affinity Propagation clustering to extract key features such as blood parameters, liver function indicators, renal function indicators, coagulation function indicators, and underlying diseases affecting death from the dataset. Then, we applied the Apriori to obtain 7 groups of abnormal feature combinations with significant increments in mortality rate. The results showed a relationship between the number of abnormal feature combinations and mortality rates within different groups. For instance, patients with “C-reactive protein > 8 mg/L”, “neutrophils percentage > 75.0 %”, “lymphocytes percentage < 20 %”, and “albumin < 40 g/L” have a 2x mortality rate than the basic one. If the characteristics of “D-dimer > 0.5 mg/L” and “WBC > 9.5 * 10 9 /L” are continuously included in this foundation, the mortality rate can be increased to 3x or 4x. In addition, we also found that liver and kidney diseases significantly affect patient mortality. Given patients with liver and renal diseases associated with other abnormal features, their mortality rate can be as high as 100 %. These findings can support auxiliary diagnosis and treatment to, facilitate early intervention in patients, thereby reducing patient mortality.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 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 ».