> Details
Magunia, Harry
[Author];
Lederer, Simone
[Author];
Verbuecheln, Raphael
[Author];
Gilot, Bryant
[Author];
Koeppen, Michael
[Author];
Häberle, Helene
[Author];
Mirakaj, Valbona
[Author];
Hofmann, Pascal
[Author];
Marx, Gernot
[Author];
Bickenbach, Johannes
[Author];
Nohe, Boris Alexander
[Author];
Lay, Michael
[Author];
Spies, Claudia D.
[Author];
Edel, Andreas
[Author];
Schiefenhövel, Fridtjof
[Author];
Rahmel, Tim
[Author];
Putensen, Christian
[Author];
Sellmann, Timur
[Author];
Koch, Thea
[Author];
Brandenburger, Timo
[Author];
Kindgen-Milles, Detlef
[Author];
Brenner, Thorsten
[Author];
Berger, Marc
[Author];
Zacharowski, Kai
[Author];
[...]
Machine learning identifies ICU outcome predictors in a multicenter COVID-19 cohort
Sharing
Reference
management
Direct link
Bookmarks
Remove from
bookmarks
Share this by email
Share this on Twitter
Share this on Facebook
Share this on Whatsapp
- Media type: E-Article
- Title: Machine learning identifies ICU outcome predictors in a multicenter COVID-19 cohort
- Contributor: 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]
- Published: AUG 17 2021
- Published in: Critical care ; 25(2021), Artikel-ID 295, Seite 1-14
- Language: English
- DOI: 10.1186/s13054-021-03720-4
- ISSN: 1466-609X
- Keywords: ARDS ; COVID-19 ; Critical care ; Outcome ; Prognostic models
- Description: 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.
- Footnote:
- Access State: Open Access
- Rights information: Attribution (CC BY)