Application of boosted trees to the prognosis prediction of COVID‐19
Notice bibliographique
Résumé
Background and Aims: The precise prediction of COVID-19 prognosis remains a clinical challenge. In this regard, early identification of severe cases facilitates the triage and management of COVID-19 cases. The present paper aims to explore the prognosis of COVID-19 patients based on routine laboratory tests taken when patients are admitted. Methods: A data set including 1455 COVID-19 patients (727 male, 728 female) and their routine laboratory tests conducted upon hospital admission, age, Intensive Care Unit (ICU) admission, and outcome were gathered. The data set was randomly split into the train (75% of the data) and test data set (25% of the data). The explainable boosting machine (EBM) and extreme gradient boosting (XGBoost) were used for predicting the mortality and ICU admission of COVID-19 cases. Also, feature importance was extracted using EBM and XGBoost. Results: The EBM and XGBoost achieved 86.38% and 88.56% accuracy in the test data set, respectively. In addition, EBM and XGBoost predicted the ICU admission with an accuracy of 89.37%, and 79.29% in the test data set for COVID-19 patients, respectively. Also, obtained models indicated that aspartate transaminase (AST), lymphocyte, blood urea nitrogen (BUN), and age are the most significant predictors of COVID-19 mortality. Furthermore, the lymphocyte count, AST, and BUN level were the most significant ICU admission predictors of COVID-19 patients. Conclusions: The current study indicated that both EBM and XGBoost could predict the ICU admission and mortality of COVID-19 cases based on routine hematological and clinical chemistry evaluation at the time of admission. Also, based on the results, AST, lymphocyte count, and BUN levels could be used as early predictors of COVID-19 prognosis.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».