Predicting low oxygen in COVID-19 patients isolating at home
Notice bibliographique
Résumé
<bold>Introduction:</bold> During the COVID-19 pandemic, identifying which patients could safely isolate at home and which required hospitalization was a concern. We developed COVIDFree@Home, a mobile app and clinician dashboard, for remote monitoring of patients at home. This study aimed to determine if remotely collected measures could predict low oxygen saturation (SpO2). <bold>Methods:</bold> Patients diagnosed with COVID-19 were recruited from three hospitals in Toronto, Canada, 2020 - 2022. Twice a day they entered symptoms, temperature, heart rate, and oxygen saturation, which were monitored by clinicians. Baseline characteristics and remote monitoring variables were analysed to determine predictors of SpO2 ≤ 92% in the following two days using a random forest classifier. <bold>Results:</bold> Of 431 participants, 376 (87.2%) entered at least one measure. Forty-nine (13%) had low SpO2, and 19 (5.1%) were hospitalized. Older age, alpha/beta variant, obesity, and preexisting pulmonary disease as well as time varying features of dyspnea, severe fatigue, and temperature ≥ 38.0°C, were associated with SpO2 ≤ 92% in the next two days. Our model predicted low SpO2 with a sensitivity of 53%, specificity 70%, and AUC of 0.70. <bold>Conclusions:</bold> Remote monitoring, along with baseline characteristics, can predict low SpO2 in people with COVID-19 isolating at home with 70% specificity, helping identify those needing medical attention. However, the 53% sensitivity suggests that this model may have missed a proportion of patients who subsequently became hypoxemic. Future studies should explore strategies to improve sensitivity and assess its effectiveness for other viruses in vulnerable populations.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».