Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Steps in Outbreak Investigation01:18

Steps in Outbreak Investigation

185
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
185
Classification of Illness01:17

Classification of Illness

7.9K
The meaning of illness is individualized to each person who experiences an alteration in health. In contrast, disease is a medical term indicating a pathological change in the structure and function of the body or mind. It is a condition that has specific symptoms and boundaries.
An illness is a response to a disease in which the person's level of functioning is changed compared with a previous level. The general classification of illness includes acute and chronic.
Acute illness is severe...
7.9K
Residuals and Least-Squares Property01:11

Residuals and Least-Squares Property

7.8K
The vertical distance between the actual value of y and the estimated value of y. In other words, it measures the vertical distance between the actual data point and the predicted point on the line
If the observed data point lies above the line, the residual is positive, and the line underestimates the actual data value for y. If the observed data point lies below the line, the residual is negative, and the line overestimates the actual data value for y.
The process of fitting the best-fit...
7.8K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Scaled Multidimensional Assays of Variant Effect Identify Sequence-Function Relationships in Hypertrophic Cardiomyopathy.

Circulation·2026
Same author

Prevalence and Clinical Impact of Pathogenic Variants in Cardiomyopathy Genes Among Individuals with Cardiac Conduction Disorders.

medRxiv : the preprint server for health sciences·2026
Same author

A comparison of Fast Healthcare Interoperability Resources and Observational Medical Mutcomes Partnership electronic health record data within the All of Us Research Program.

Journal of the American Medical Informatics Association : JAMIA·2026
Same author

Implementing trust in non-small cell lung cancer diagnosis with a conformalized uncertainty-aware AI framework.

Nature biomedical engineering·2026
Same author

Generating synthetic multi-national longitudinal cohorts for clinically grounded HIV research.

Nature communications·2026
Same author

Critical illness expands a transcriptionally distinct hypometabolic CD8<sup>+</sup> T effector program associated with respiratory failure and mortality.

bioRxiv : the preprint server for biology·2026

Video Experimental Relacionado

Updated: Sep 9, 2025

Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

603

Los datos de escala múltiple mejoran el rendimiento del modelo de aprendizaje automático para la predicción de la

Wei-Qi Wei, Christopher Guardo, Xinmeng Zhang

    Research square
    |September 5, 2025
    PubMed
    Resumen

    La integración de diversos datos mejora la predicción de la COVID a largo plazo. La combinación de registros electrónicos de salud con factores sociales, de comportamiento y genéticos mejora la evaluación del riesgo para los sobrevivientes del SARS-CoV-2.

    Más Videos Relacionados

    Asthma Detection Research Based on Voice Signal Processing and Machine Learning
    04:04

    Asthma Detection Research Based on Voice Signal Processing and Machine Learning

    Published on: July 22, 2025

    405
    Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
    14:27

    Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

    Published on: June 26, 2013

    15.8K

    Videos de Experimentos Relacionados

    Last Updated: Sep 9, 2025

    Constructing and Visualizing Models using Mime-based Machine-learning Framework
    06:19

    Constructing and Visualizing Models using Mime-based Machine-learning Framework

    Published on: July 22, 2025

    603
    Asthma Detection Research Based on Voice Signal Processing and Machine Learning
    04:04

    Asthma Detection Research Based on Voice Signal Processing and Machine Learning

    Published on: July 22, 2025

    405
    Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
    14:27

    Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

    Published on: June 26, 2013

    15.8K

    Área de la Ciencia:

    • Epidemiología
    • La genética
    • Informática de la salud

    Sus antecedentes:

    • El COVID prolongado afecta a un número significativo de personas infectadas con SARS-CoV-2 en todo el mundo.
    • Los modelos predictivos actuales para el riesgo de COVID prolongado son limitados, a menudo se basan únicamente en los datos de los registros electrónicos de salud (EHR).
    • Los factores sociales, de comportamiento y genéticos son cada vez más reconocidos como posibles contribuyentes al desarrollo de la COVID prolongada.

    Objetivo del estudio:

    • Investigar si la integración de datos de EHR con información basada en encuestas y genómica mejora el rendimiento predictivo de los modelos de riesgo de COVID prolongado.
    • Para identificar los predictores sociales, conductuales y genéticos clave del COVID largo.
    • Mejorar la estratificación de riesgos para las intervenciones personalizadas de COVID largo.

    Principales métodos:

    • Utilizó una cohorte diversa de más de 17,200 personas infectadas con SARS-CoV-2 del Programa de Investigación de Todos Nosotros de los NIH.
    • Se empleó un enfoque de integración de datos a escala múltiple, combinando los datos del DSE con las respuestas de la encuesta y la información genómica.
    • Comparó el rendimiento de los modelos integrados con los modelos solo de EHR utilizando el área debajo de la curva de características operativas del receptor (AUROC).

    Principales resultados:

    • El modelo multiescala integrado demostró un mejor rendimiento predictivo en comparación con los modelos basados únicamente en EHR, con un AUROC de 0,748 (IC 95%: 0,741, 0,755) frente a 0,736 (IC 95%: 0,730, 0,741).
    • Los predictores clave identificados incluyeron el estado de servicio activo, la fatiga autoinformada y una variante genética específica (chr19:4719431:G:A_A).
    • Estos hallazgos subrayan el valor de los datos multimodales en la predicción de la COVID larga.

    Conclusiones:

    • La integración de registros electrónicos de salud con datos sociales, de comportamiento y genéticos mejora significativamente la predicción del riesgo de COVID prolongado.
    • Factores como el servicio militar, la fatiga y los marcadores genéticos específicos son predictores importantes.
    • Este enfoque a escala múltiple ofrece un camino para mejorar la estratificación del riesgo y las intervenciones personalizadas para el manejo prolongado de COVID.