Estimating Optimum Length of Stay in a Hospital to Control the Infection Spread during an Epidemic Using Left-Right Truncated Poisson Model
Notice bibliographique
Résumé
Background: The unprecedented havoc of COVID-19 pandemic stressed medical infrastructure of every affected country. The developing countries were more affected as their already inadequate medical resources were strained further. Material and Methods: In order to estimate the time of onset of recovery through the period of hospitalisation stay, the retrospective data on the number of days that 83 COVID-19 patients stayed in a hospital in New Delhi, India was obtained. A Left-Right Truncated Poisson Distribution Model (LRTPD) was developed to estimate the average number of days that patients had to spend in the hospital before the onset of recovery and they were no longer infected. Left truncation is on the ‘u’ left most classes of the random variable and right truncation is after ‘v’ classes. The parametric estimates of the LOS were validated using the Monte-Carlo method. Results and Conclusion: The models suggested that if appropriate truncation limits (both the data-specific and as per expert advice) are used in case of critical medical emergencies, approximately 90 percent of the patients will be able to get hospital admission, without over-burdening the hospital infrastructure. The median recovery onset time/ Length of stay (LOS) obtained using the Kaplan-Meier estimator was consistent with the results of the parametric modeling and simulation. However, the Kaplan-Meier method overestimated the mean LOS as compared to the parametric methods.
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 | 0,011 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».