Development and validation of age-specific predictive models on the risk of post-acute mortality within 1 year of COVID-19 infection
Notice bibliographique
Résumé
BACKGROUND: The existing risk prediction models for COVID-19 associated mortality have not considered the differences in risk factors across different age groups of patients. AIM: To develop age-specific prediction models to forecast the risk of all-cause mortality in patients recovering from COVID-19 infection. DESIGN: Population-based, retrospective cohort study. METHODS: Patients with COVID-19 between 1 April 2020 and 31 July 2022 survived beyond the acute phase of infection were stratified into separate age cohorts (<45, 45-64, ≥65) and followed-up for 1 year. Backward stepwise logistic regression and four statistical and machine learning algorithms were employed to develop age-specific models on the risk of post-acute mortality following COVID-19 infection, based on a comprehensive set of clinical parameters including demographics, COVID-19 vaccination status, pre-existing comorbidities and laboratory-test findings. RESULTS: Of the 891 246 patients with COVID-19 identified, 13 578 (1.05%) died within 1 year of the index date. Age, COVID-19 vaccination status and history of acute respiratory syndrome prior infection were identified as predictors in the models for separate age groups. The model for patients aged ≥65 exhibited excellent prediction performance with an AUROC of 0.87 (95% CI: 0.87, 0.88), followed by the model for patients aged 45-64 [AUROC = 0.83 (95% CI: 0.81, 0.85)] and those aged <45 [AUROC = 0.79 (95% CI: 0.72, 0.86)]. CONCLUSION: The age-specific models accurately predicted the risk of post-acute mortality in their corresponding age groups of patients, providing valuable asset in optimizing clinical strategies and resource allocation in the management of the global burden of Long COVID.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».