New Frailty Index Approach Predicts COVID-19 Mortality Risk
Notice bibliographique
Résumé
Abstract The relationships between blood biomarkers, frailty, and the risk of death of people diagnosed with COVID-19 is unclear. In the current investigation we decided to analyze the collective effect of multiple biomarkers (laboratory markers of inflammation, blood biochemistry deviations, comorbidity, demographics) on mortality in people diagnosed with COVID-19. We analyzed baseline data of one hundred fifty-five patients (age range from twenty-six to ninety-four) diagnosed with COVID-19. Thirty-seven parameters (including major morbidities) were used to derive the frailty index (FI) and calculate the risk of death as a function of FI and individual biomarkers. Discriminative ability was assessed by the area under the receiver-operating characteristic (ROC curves). The mean frailty index was 0.17 (SD = 0.10), FI of those who survived was 0.11 (SD = 0.078) and those who died was 0.22 (SD = 0.093). In a sex-adjusted model, the FI was a more powerful predictor for mortality than age. The ROC analysis showed that models involving FI as a feature have good discriminative ability for predicting COVID-19 mortality: AUC for age was 0.77, for the FI it was 0.82, and for the fully adjusted model (age + FI) it was 0.84. Thus, the systemic effect of multiple biological processes comprising aging are elucidated using the Frailty Index approach. Assessment of the frailty index at the time of admission of a patient with COVID-19 to the clinic can help to predict the high risks of severe disease and 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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».