Towards the prediction of mortality in Intensive Care Units patients: A Simple Correspondence Analysis approach
Notice bibliographique
Résumé
In the setting of the PhysioNet/CinC Challenge 2012 Event 1, a new method to predict in hospital mortality in the Intensive Care Units (ICU) is proposed. The predictor, retrieved by Simple Correspondence Analysis (SCA), is based on a combination of clinical and laboratory data with more traditional score systems such as APACHE-II and SAPS-II. Information from records out of 12000 ICU patients was equally divided in three sets: A, B and C. Up to 37 variables were recorded during the first 48h after admission to the ICU. Using Set A, SCA was applied to select the variables most related to patients mortality from their hospitalizations. The proposed predictor combines these variables using the traditional APACHE II and SAPS II scores.SCA results show that variables such as creatinine, urine output, bilirubin and mechanical ventilation support were capable to discriminate between patients who survive or do not survive their ICU stays. Using these variables, the prediction method provides a SCORE1=43.50 % using set A, SCORE1=42.25 % using set B and SCORE1=42.73% using set C, where SCORE1 is defined as min(sensibility, positive predictivity). These results represent an improvement of 14 % in SCORE1 when compared with traditional score SAPS-I (43.50 % vs. 29.60%).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».