> Detailanzeige
Magunia, Harry
[VerfasserIn];
Lederer, Simone
[VerfasserIn];
Verbuecheln, Raphael
[VerfasserIn];
Gilot, Bryant
[VerfasserIn];
Koeppen, Michael
[VerfasserIn];
Häberle, Helene
[VerfasserIn];
Mirakaj, Valbona
[VerfasserIn];
Hofmann, Pascal
[VerfasserIn];
Marx, Gernot
[VerfasserIn];
Bickenbach, Johannes
[VerfasserIn];
Nohe, Boris Alexander
[VerfasserIn];
Lay, Michael
[VerfasserIn];
Spies, Claudia D.
[VerfasserIn];
Edel, Andreas
[VerfasserIn];
Schiefenhövel, Fridtjof
[VerfasserIn];
Rahmel, Tim
[VerfasserIn];
Putensen, Christian
[VerfasserIn];
Sellmann, Timur
[VerfasserIn];
Koch, Thea
[VerfasserIn];
Brandenburger, Timo
[VerfasserIn];
Kindgen-Milles, Detlef
[VerfasserIn];
Brenner, Thorsten
[VerfasserIn];
Berger, Marc
[VerfasserIn];
Zacharowski, Kai
[VerfasserIn];
[...]
Machine learning identifies ICU outcome predictors in a multicenter COVID-19 cohort
Teilen
Literatur-
verwaltung
Direktlink
Zur
Merkliste
Lösche von
Merkliste
Per Email teilen
Auf Twitter teilen
Auf Facebook teilen
Per Whatsapp teilen
- Medientyp: E-Artikel
- Titel: Machine learning identifies ICU outcome predictors in a multicenter COVID-19 cohort
- Beteiligte: Magunia, Harry [VerfasserIn]; Lederer, Simone [VerfasserIn]; Verbuecheln, Raphael [VerfasserIn]; Gilot, Bryant [VerfasserIn]; Koeppen, Michael [VerfasserIn]; Häberle, Helene [VerfasserIn]; Mirakaj, Valbona [VerfasserIn]; Hofmann, Pascal [VerfasserIn]; Marx, Gernot [VerfasserIn]; Bickenbach, Johannes [VerfasserIn]; Nohe, Boris Alexander [VerfasserIn]; Lay, Michael [VerfasserIn]; Spies, Claudia D. [VerfasserIn]; Edel, Andreas [VerfasserIn]; Schiefenhövel, Fridtjof [VerfasserIn]; Rahmel, Tim [VerfasserIn]; Putensen, Christian [VerfasserIn]; Sellmann, Timur [VerfasserIn]; Koch, Thea [VerfasserIn]; Brandenburger, Timo [VerfasserIn]; Kindgen-Milles, Detlef [VerfasserIn]; Brenner, Thorsten [VerfasserIn]; Berger, Marc [VerfasserIn]; Zacharowski, Kai [VerfasserIn]; Adam, Elisabeth [VerfasserIn]; Posch, Matthias Jakob [VerfasserIn]; Mörer, Onnen [VerfasserIn]; Scheer, Christian S. [VerfasserIn]; Sedding, Daniel [VerfasserIn]; Weigand, Markus A. [VerfasserIn]; Fichtner, Falk [VerfasserIn]; Nau, Carla [VerfasserIn]; Prätsch, Florian [VerfasserIn]; Wiesmann, Thomas [VerfasserIn]; Koch, Christian [VerfasserIn]; Schneider, Gerhard [VerfasserIn]; Lahmer, Tobias [VerfasserIn]; Straub, Andreas [VerfasserIn]; Meiser, Andreas [VerfasserIn]; Weiss, Manfred [VerfasserIn]; Jungwirth, Bettina [VerfasserIn]; Wappler, Frank [VerfasserIn]; Meybohm, Patrick [VerfasserIn]; Herrmann, Johannes Bernd [VerfasserIn]; Malek, Nisar Peter [VerfasserIn]; Kohlbacher, Oliver [VerfasserIn]; Biergans, Stephanie [VerfasserIn]; Rosenberger, Peter [VerfasserIn]
- Erschienen: AUG 17 2021
- Erschienen in: Critical care ; 25(2021), Artikel-ID 295, Seite 1-14
- Sprache: Englisch
- DOI: 10.1186/s13054-021-03720-4
- ISSN: 1466-609X
- Identifikator:
- Schlagwörter: ARDS ; COVID-19 ; Critical care ; Outcome ; Prognostic models
- Entstehung:
- Anmerkungen:
- Beschreibung: Intensive Care Resources are heavily utilized during the COVID-19 pandemic. However, risk stratification and prediction of SARS-CoV-2 patient clinical outcomes upon ICU admission remain inadequate. This study aimed to develop a machine learning model, based on retrospective & prospective clinical data, to stratify patient risk and predict ICU survival and outcomes.
- Zugangsstatus: Freier Zugang
- Rechte-/Nutzungshinweise: Namensnennung (CC BY)