COVID-19 has challenged health systems to learn how to learn. This paper describes the context and methods for learning at one academic health center. Longitudinal regression models are used to represent the joint distribution of major clinical events including discharge, ventilation and death as well as multivariate biomarker processes that describe a patient's disease trajectory. We focus on dynamic models in which both the predictors and outcomes vary over time. We contrast prospective longitudinal models in common use with retrospective analogues that are complementary in the COVID-19 context. The methods are described and then applied to a cohort of 1,678 patients with COVID-19 who were hospitalized in the first year of the pandemic. Emphasis is placed on graphical tools that inform clinical decision making.


翻译:COVID-19要求卫生系统学习如何学习。本文描述了一个学术保健中心学习的背景和方法。纵向回归模型用来代表主要临床事件的联合分布,包括排泄、通风和死亡以及描述病人疾病轨迹的多变量生物标志过程。我们侧重于预测器和结果随时间而变化的动态模型。我们将潜在的纵向模型与在COVID-19背景下相互补充的回溯性模拟模式加以对比。这些方法被描述,然后适用于1,678名在大流行病第一年住院的COVID-19病人。我们强调指导临床决策的图形工具。

0
下载
关闭预览

相关内容

【干货书】真实机器学习,264页pdf,Real-World Machine Learning
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Arxiv
15+阅读 · 2020年2月6日
Arxiv
12+阅读 · 2019年3月14日
Arxiv
4+阅读 · 2018年12月3日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Top
微信扫码咨询专知VIP会员