Length of Stay Analysis of COVID-19 Intensive Care Unit Admissions Using Count Regression and Hurdle Regression Models: A Study in a Tertiary Hospital, Cape Town, South Africa
Notice bibliographique
Résumé
Objective: To evaluate the variables influencing the length of stay (LoS) for COVID-19 ICU patients at Tygerberg Hospital (Cape Town) and to identify the covariates that significantly influenced it and any potential risk factors associated with LoS. Methods and Results: Poisson, negative binomial (NB), Hurdle–Poisson, and Hurdle–NB regression models were used to model the LoS in this prospective cohort study. The fitted models were compared using the Akaike information criterion (AIC), Vuong’s test criteria, and Rootograms. Based on the chosen performance criteria, the NB model provided the best fit outperforming other candidate models. The baseline LoS count was 8 days. On average, antibiotics reduced LoS by 0.74-fold (95% CI 0.62-0.89) compared to not taking antibiotics. The second wave had a significant effect on the average LoS, which decreased by 0.36-fold (95% CI 0.14-0.93) compared to the first wave. Average LoS increased by 1.01-fold (95% CI 1.01-1.02) for every one-year increase in the age of the patient and by 1.02-fold (95% CI 1.01-1.03) for every 1 unit increase in neutrophils. A 1 ng/L increase in log (TropT) levels decreased the average LoS by 0.87-fold (95% CI 0.81-0.93) similarly, a unit increase in the PF ratio decreased the average LoS by 0.998-fold (95% CI 0.997-0.999) respectively. Conclusion: The study identified common clinical characteristics associated with length of stay in ICU for COVID-19 patients, including age at admission, PF ratio, neutrophils, TropT, Wave, and antibiotic use. These results can aid in identifying risk factors for increased length of stay, assist in healthcare systems planning, and aid in evaluating different models for analysing this type of data.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».