Development of laboratory-based risk scores to predict mortality in patients hospitalized with COVID-19
Notice bibliographique
Résumé
Objectives Patient characteristics related to an increased risk of severe coronavirus disease 2019 (COVID-19) have been thoroughly studied since the beginning of the pandemic; however, clinical tools offering rapid and automated predictions of patients’ acute reactions to severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection remain limited. This study explored the associations between laboratory markers and mortality in hospitalized patients with COVID-19 and developed a scoring model using laboratory data to estimate patients’ risk of mortality. Methods Participants were recruited from hospitals in the Greater Toronto Area between January 2020 and February 2022. Demographics, laboratory results, and treatment outcomes were collected from patient medical charts. Admission data for 33 biochemical and hematological markers assessing complete blood cell count, coagulation, general chemistry, inflammatory, liver, renal, and cardiac function were extracted for analyses. Results Logistic regression revealed that 6 laboratory markers, including creatinine, sodium, bicarbonate, base excess, pH, and lactate, were significantly associated with COVID-19 patient mortality. Five markers were incorporated into a multivariable model after excluding correlated analytes. Low bicarbonate levels were the only significant finding in the multivariable model associated with increased odds of mortality. Receiver operating characteristic (ROC) curves including area under the curves (AUCs) revealed that risk scores constructed from multivariable values performed similarly to their univariable counterparts in both the training (0.82 vs 0.83) and validation (0.80 vs 0.80) cohorts. Overall, the risk score exhibited 80% accuracy in predicting mortality, with greater sensitivity than specificity. Conclusions Developed risk scores provide moderate predictions of COVID-19 mortality, which could be improved by assessing larger populations. Additionally, significant markers from our cohort indicate that at-risk patients may present with acid‒base disruptions.
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 | 0,001 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».