COVID-19 Machine Learning Based Survival Analysis and Discharge Time Likelihood Prediction Using Clinical Data

Nemati, Mohammadreza; Ansary, Jamal; Nemati, Nazafarin

doi:10.2139/ssrn.3584518

Cited by 15 publications

(12 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O coeficiente associado à variável individual sexo (dummy que atribui valor igual a 1 quando o infectado for homem) não foi estatisticamente significativo, o que indica que o gênero parece não influenciar a probabilidade de morte. Esse resultado não corrobora com os resultados dos estudos de Cobre et al (2020), Grasselli et al (2020), Nemati et al (2020), Salinas-Escudero et al (2020 e Tian et al (2020) de que homens tem maior probabilidade de morrer do que mulheres. O coeficiente da variável cor (dummy que atribui valor igual a 1 quando o infectado for branco) mostrou-se significativo, sugerindo que indivíduos da cor branca possuem menor probabilidade de óbito no estado, confirmando um padrão de letalidade da COVID-19 no RN similar ao do Brasil, como releva o estudo de Batista (2020a).…”

Section: Resultsunclassified

“…A literatura empírica acerca da COVID-19 ainda é muito incipiente. Em termos gerais, as evidências apontam que o sexo masculino, a idade avançada, a preexistência de comorbidades como hipertensão, doenças cardíacas, diabetes, doenças respiratórias, doença renal crônica, entre outras, o uso de medicações contínuas como estatinas, diuréticos, a hospitalização, a internação em unidade de terapia intensiva, intubação e a atenção à saúde no serviço público são fatores que aumentam o risco de morte dos infectados pelo novo coronavírus (Castelnuovo et al, 2020;Grasselli et al, 2020;Li et al, 2020;Nemati et al, 2020;Salinas-Escudero et al, 2020;Tian et al, 2020).…”

unclassified

See 1 more Smart Citation

Análise de Sobrevivência dos Infectados pela COVID-19 no Estado do Rio Grande do Norte

Cavalcanti

2021

RBERU

View full text Add to dashboard Cite

O presente estudo tem por objetivo investigar os determinantes da probabilidade e do tempo de sobrevivência dos infectados pelo novo coronavírus no estado do Rio Grande do Norte. Para tanto, foram utilizados os microdados oficiais de notificações de COVID-19 disponibilizados pela Secretaria de Estado da Saúde Pública (SESAP-RN) para estimar a função de sobrevivência, a partir do método de Kaplan-Meier (1958) e do modelo de risco de Cox (1972). Uma coorte de 13.738 casos confirmados de COVID-19 no estado entre as datas de 09/03/2020 a 12/06/2020 foi analisada. Os resultados apontaram uma queda na probabilidade de sobrevivência do infectado com o passar do tempo e que a idade, a preexistência de comorbidades como hipertensão arterial sistêmica, obesidade e doenças renais crônicas, a Região de Saúde e o bairro de residência influenciam a probabilidade de sobrevivência dos infectados pela COVID-19 no Rio Grande do Norte, corroborando com as evidências internacionais.

show abstract

Section: Resultsunclassified

unclassified

Análise de Sobrevivência dos Infectados pela COVID-19 no Estado do Rio Grande do Norte

Cavalcanti

2021

RBERU

View full text Add to dashboard Cite

show abstract

“…For instance, Nemati et al . 14 implement survival analysis methods on 1,182 COVID-19 patients to predict recovery and discharge time of hospitalized patients employing age and sex features. They obtain the best results with XGB.…”

Section: Related Literaturementioning

confidence: 99%

Data-Driven Inference of COVID-19 Clinical Prognosis

Salas

Pulido

Montoya

et al. 2020

Preprint

View full text Add to dashboard Cite

Knowing the most likely clinical prognosis for a patient infected with SARS-Cov-2 could offer guidelines for tracking their medical evolution, improving attention, and assigning resources. Aiming to assess a patient's status quantitatively, we explore the analysis of existing clinical information using data-driven methods. Our goal is to extract the characteristics distinguishing between those COVID-19 patients that improve and those who die. In our approach, we select the relevant features using the algorithm of Boruta, a wrapper framework that takes input from classifiers generating relevance assessment of the predictors. Using the extracted features, we train machine learning classifiers, including Random Forests, Support Vector Machine, Extreme Gradient Boosting, and Neural Networks. We assess the performance of the classifiers using Precision-Recall and ROC analysis, establishing the ranges at which risk assessment permits effective decision-making. Our research highlights that local regions present unique sets of essential features, that it is possible to construct effective classifiers based on clinical data, and that an ensemble of classifiers results in the best performing discriminant.

show abstract

“…Additionally, researchers have developed AI techniques for the selection of risk factor characteristics and medical prognosis. Nemati et al (Nemati, Ansary, & Nemati, 2020) implemented a survival analysis using 1,182 COVID-19 cases in order to predict their recovery time from characteristics associated with age and sex, optimizing results with an XGB classifier. Schwab et al (Schwab, Schutte, Dietz, & Bauer, 2020) implemented an ML algorithm to predict the outcome of qRT-PCR tests as well as to determine whether a confirmed positive case will require hospitalization or intensive care.…”

Section: Introductionmentioning

confidence: 99%

Machine Learning in the analysis of lethality and evolution of infection by the SARS-CoV-2 virus (COVID-19) in workers of the Mexico City Metro

Islas

Anda-Jáuregui

Rodríguez

et al. 2021

Preprint

View full text Add to dashboard Cite

In terms of the number of fatalities, Mexico has been one of the countries most affected worldwide by the pandemic. Using different Machine Learning techniques, some of the first cases of the infection registered in Mexico City (CDMX), the geographical and political center of the country, are analyzed in order to determine the causes of lethality and evolution of infection by the SARS-CoV-2 virus, from April 1 to September 27, 2020 in workers of the Capital Metro.

show abstract

COVID-19 Machine Learning Based Survival Analysis and Discharge Time Likelihood Prediction Using Clinical Data

Cited by 15 publications

References 0 publications

Análise de Sobrevivência dos Infectados pela COVID-19 no Estado do Rio Grande do Norte

Análise de Sobrevivência dos Infectados pela COVID-19 no Estado do Rio Grande do Norte

Data-Driven Inference of COVID-19 Clinical Prognosis

Machine Learning in the analysis of lethality and evolution of infection by the SARS-CoV-2 virus (COVID-19) in workers of the Mexico City Metro

Contact Info

Product

Resources

About