Artigo de periodico

Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning (2024)

• Authors:
  • Savalli, Carine
  • Wichmann, Roberta Moreira
  • Barcellos Filho, Fabiano
  • Fernandes, Fernando Timoteo
  • Chiavegatto Filho, Alexandre Dias Porto
• USP affiliated authors: CHIAVEGATTO FILHO, ALEXANDRE DIAS PORTO - FSP ; BARCELLOS FILHO, FABIANO NOVAES - FSP
• Unidade: FSP
• DOI: 10.1371/journal.pdig.0000699
• Subjects: COVID-19; APRENDIZADO COMPUTACIONAL; ESTUDOS MULTICÊNTRICOS; PREDIÇÃO
• Agências de fomento:
  • Financiamento CNPq
• Language: Inglês
• Imprenta:
  • Publisher place: San Francisco California
  • Date published: 2024
• Source:
  • Título: PLOS Digital Health
  • ISSN: 2767-3170
  • Volume/Número/Paginação/Ano: v.3, n.12, art. e0000699. [13p.], 2024


Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).

Status:

Artigo publicado em periódico de acesso aberto (Gold Open Access)

Versão do Documento:

Versão publicada (Published version)

Acessar versão aberta:

• URL de acesso aberto
• PDF de acesso aberto

Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.

---

Download do texto completo

Tipo	Nome	Link
	HEP_32_2024.pdf	Direct link

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  SAVALLI, Carine et al. Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning. PLOS Digital Health, v. 3, n. 12, p. art. e0000699. [13], 2024Tradução . . Disponível em: https://doi.org/10.1371/journal.pdig.0000699. Acesso em: 09 maio 2026.

• APA

  Savalli, C., Wichmann, R. M., Barcellos Filho, F., Fernandes, F. T., & Chiavegatto Filho, A. D. P. (2024). Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning. PLOS Digital Health, 3( 12), art. e0000699. [13]. doi:10.1371/journal.pdig.0000699

• NLM

  Savalli C, Wichmann RM, Barcellos Filho F, Fernandes FT, Chiavegatto Filho ADP. Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning [Internet]. PLOS Digital Health. 2024 ;3( 12): art. e0000699. [13].[citado 2026 maio 09 ] Available from: https://doi.org/10.1371/journal.pdig.0000699

• Vancouver

  Savalli C, Wichmann RM, Barcellos Filho F, Fernandes FT, Chiavegatto Filho ADP. Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning [Internet]. PLOS Digital Health. 2024 ;3( 12): art. e0000699. [13].[citado 2026 maio 09 ] Available from: https://doi.org/10.1371/journal.pdig.0000699

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Artificial intelligence for the diagnosis of erythematous-squamous dermatological diseases: technological contributions to primary care
• Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review
• Big techs lançam ferramentas de IA com foco em pacientes e sistemas de saúde
• Transfer learning for COVID-19 predictive modeling: A multicenter study of 12 hospitals
• Predictive modeling of gestational weight gain: a machine learning multiclass classification study
• Inteligência artificial e saúde
• Desigualdade de renda e doenças cardiovasculares no Brasil: uma análise multinível
• The epidemiology of personality disorders in the Sao Paulo Megacity general population
• Inteligência artificial pode melhorar decisões clínicas sobre tratamento no Brasil
• Determinants of the use of health care services: multilevel analysis in the Metropolitan Region of Sao Paulo