論文の概要: Statistical and Predictive Analysis to Identify Risk Factors and Effects of Post COVID-19 Syndrome
- arxiv url: http://arxiv.org/abs/2504.20915v1
- Date: Tue, 29 Apr 2025 16:34:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.990602
- Title: Statistical and Predictive Analysis to Identify Risk Factors and Effects of Post COVID-19 Syndrome
- Title（参考訳）: リスク因子の同定とポスト新型コロナウイルス症候群の影響に関する統計的・予測分析
- Authors: Milad Leyli-abadi, Jean-Patrick Brunet, Axel Tahmasebimoradi,
- Abstract要約: 新型コロナウイルス(COVID-19)の症状は感染後数ヶ月持続する可能性がある。
感染の急性期における予防接種時期、患者の特徴、症状などの要因は、長期にわたる新型コロナウイルスの長期効果と強度に寄与する可能性がある。
私たちは、Lifelines COVID-19コホートのデータを使用して、線形モデル、ランダムフォレスト、勾配向上、ニューラルネットワークなど、さまざまなデータ駆動アプローチをベンチマークし、解釈します。
この結果から,ニューラルネットワーク(NN)はMAPEで最高の性能を示し,平均19%の誤差を予測できることがわかった。
- 参考スコア（独自算出の注目度）: 1.33134751838052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Based on recent studies, some COVID-19 symptoms can persist for months after infection, leading to what is termed long COVID. Factors such as vaccination timing, patient characteristics, and symptoms during the acute phase of infection may contribute to the prolonged effects and intensity of long COVID. Each patient, based on their unique combination of factors, develops a specific risk or intensity of long COVID. In this work, we aim to achieve two objectives: (1) conduct a statistical analysis to identify relationships between various factors and long COVID, and (2) perform predictive analysis of long COVID intensity using these factors. We benchmark and interpret various data-driven approaches, including linear models, random forests, gradient boosting, and neural networks, using data from the Lifelines COVID-19 cohort. Our results show that Neural Networks (NN) achieve the best performance in terms of MAPE, with predictions averaging 19\% error. Additionally, interpretability analysis reveals key factors such as loss of smell, headache, muscle pain, and vaccination timing as significant predictors, while chronic disease and gender are critical risk factors. These insights provide valuable guidance for understanding long COVID and developing targeted interventions.
- Abstract（参考訳）: 最近の研究によると、いくつかの新型コロナウイルスの症状は感染後数ヶ月持続する可能性がある。
感染の急性期における予防接種時期、患者の特徴、症状などの要因は、長期にわたる新型コロナウイルスの長期効果と強度に寄与する可能性がある。
それぞれの患者は、それぞれの要因のユニークな組み合わせに基づいて、特定のリスクや長期の新型コロナウイルスの強度を発生させる。
本研究の目的は,(1)様々な要因と長期新型コロナウイルスの関係を識別するための統計的分析を行うこと,(2)これらの要因を用いた長期新型コロナウイルス強度の予測分析を行うことである。
私たちは、Lifelines COVID-19コホートのデータを使用して、線形モデル、ランダムフォレスト、勾配向上、ニューラルネットワークなど、さまざまなデータ駆動アプローチをベンチマークし、解釈します。
その結果,ニューラルネットワーク(NN)はMAPEで最高の性能を示し,平均19%の誤差を予測した。
さらに、解釈可能性分析は、匂いの喪失、頭痛、筋肉痛、予防接種時期などの重要な要因を重要な予測因子として示し、一方、慢性疾患や性別は重大な危険因子である。
これらの洞察は、長い新型コロナウイルスを理解し、標的とする介入を開発するための貴重なガイダンスを提供する。
関連論文リスト
- Deep Neural Networks for Predicting Recurrence and Survival in Patients with Esophageal Cancer After Surgery [0.0]
食道癌は、国際的にがん関連死亡の主な原因である。
疾患のない生存(DFS)と総合生存(OS)の3つのモデルにおける予後因子の同定と識別性能について検討した。
DeepSurvとDeepHitは、CoxPHに匹敵する識別精度を示した。
論文 参考訳（メタデータ） (2024-08-30T16:20:47Z) - Multi-level Phenotypic Models of Cardiovascular Disease and Obstructive Sleep Apnea Comorbidities: A Longitudinal Wisconsin Sleep Cohort Study [5.129044301709751]
閉塞性睡眠時無呼吸症候群(OSA)患者における心血管疾患(CVD)の意義
従来のモデルでは、OSA患者のCVD軌跡を正確に予測するために必要な動的および縦方向のスコープが欠如している。
本研究では,ウィスコンシン・スリープ・コーホートのデータを利用して,これらの状態の進行と相互作用を時間とともに解析する,新しい多段階表現型モデルを提案する。
論文 参考訳（メタデータ） (2024-06-19T04:50:16Z) - Predicting Long-term Renal Impairment in Post-COVID-19 Patients with
Machine Learning Algorithms [0.0]
新型コロナウイルスのパンデミックは世界の公衆衛生に深刻な影響を及ぼしている。
腎障害は、その長期的健康への影響により、特に注目を集めている。
本研究は,高度な機械学習アルゴリズムを用いて長期腎障害のリスクを予測する試みである。
論文 参考訳（メタデータ） (2023-09-28T14:44:06Z) - Contrastive Learning of Temporal Distinctiveness for Survival Analysis
in Electronic Health Records [10.192973297290136]
本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。
OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。
急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2023-08-24T22:36:22Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-12-07T16:40:28Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Predicting Patient COVID-19 Disease Severity by means of Statistical and
Machine Learning Analysis of Blood Cell Transcriptome Data [3.5699804146136676]
患者末梢血のデータを用いて臨床結果を予測する方法について検討した。
本研究は, 健常人と陽性患者とを鑑別し, 血液検査で測定可能な臨床パラメータをいくつか明らかにした。
そこで我々は,90%以上の重症度と死亡率予測の精度と精度を示す分析手法を多数開発した。
論文 参考訳（メタデータ） (2020-11-19T10:32:46Z) - Understanding the temporal evolution of COVID-19 research through
machine learning and natural language processing [66.63200823918429]
重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。
私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。
調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
論文 参考訳（メタデータ） (2020-07-22T18:02:39Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。