Predicting COVID-19 Outcomes Among Albertans With Diabetes and COVID-19: A Machine Learning Approach
Notice bibliographique
Résumé
Background: Certain patients with diabetes and COVID-19 are at high risk of severe outcomes. Identification of risk factors among this group is required to risk-stratify those who may benefit from further surveillance. We aimed to develop machine learning (ML) models predicting severe outcomes among individuals with diabetes and COVID-19 in Alberta, Canada. Methods: Patients with diabetes and COVID-19 determined by PCR test administered in community and/or emergency department (ED) settings (March 2020-March 2021) were included. Outcomes were ED visit, hospitalization or death for those tested in the community (“Community cohort”) and hospitalization or death for those tested in ED (“ED cohort”), and in the combined cohorts (“Community+ED cohort”). Outcomes and features (sociodemographics, drug/healthcare utilization, health history) were identified using healthcare administrative data (2008-2021). Calibration plots, areas under the receiver operating curve, precision-recall curves (AUC, AUPRC), and threshold analyses were used to assess the models. Results: The Community cohort included 11,247 individuals (1,665 ED visits; 756 hospitalizations; 421 deaths). AUCs for models predicting ED/hospitalization/death were 0.65/0.70/0.93. The AUCs for predicting death in ED (1,495 individuals; 169 deaths) and Community+ED (12,410 individuals; 582 deaths) cohorts were 0.82 and 0.93. Models predicting hospitalization in these cohorts performed poorly and are not reported. Of all models, that predicting death from the Community performed best (sensitivity 0.77, specificity 0.91, positive predictive value 0.26, negative predictive value 0.99), and improved the prediction of death at a 10% risk threshold (compared to the pre-test probability, positive likelihood ratio 9.06 and negative likelihood ratio 0.25). Conclusion: Identifying diabetes patients at the highest risk of the worst outcomes would assist in triaging patients to ensure appropriate resource use in times of high demand. Overall, the model predicting death among patients with diabetes and COVID-19 in the community could be useful in identifying who requires additional care.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».