Machine Learning Predicts Prolonged Acute Hypoxemic Respiratory Failure in Pediatric Severe Influenza
Notice bibliographique
Résumé
Background: Influenza virus is a major cause of acute hypoxemic respiratory failure. Early identification of patients who will suffer severe complications can help stratify patients for clinical trials and plan for resource use in case of pandemic. Objective: We aimed to identify which clinical variables best predict prolonged acute hypoxemic respiratory failure in influenza-infected critically ill children. Acute hypoxemic respiratory failure was defined using hypoxemia cutoffs from international consensus definitions of acute respiratory distress syndrome in patients with ventilatory support. Prolonged acute hypoxemic respiratory failure was defined by acute hypoxemic respiratory failure criteria still present at PICU day 7. Derivation Cohort: In this prospective multicenter study across 34 PICUs from November 2009 to April 2018, we included children (< 18 yr) without comorbid risk factors for severe disease. Validation Cohort: We used a Monte Carlo cross validation method with N 2 random train-test splits at a 70–30% proportion per model. Prediction Model: Using clinical data at admission (day 1) and closest to 8 am on PICU day 2, we calculated the area under the receiver operating characteristic curve using random forests machine learning algorithms and logistic regression. Results: We included 258 children (median age = 6.5 yr) and 11 (4.2%) died. By day 2, 65% ( n = 165) had acute hypoxemic respiratory failure dropping to 26% ( n = 67) with prolonged acute hypoxemic respiratory failure by day 7. Those with prolonged acute hypoxemic respiratory failure had a longer ICU stay (16.5 vs 4.0 d; p < 0.001) and higher mortality (13.4% vs 1.0%). A multivariable model using random forests with 10 admission and eight day 2 variables performed best (0.93 area under the receiver operating characteristic curve; 95 CI%: 0.90–0.95) where respiratory rate, F io 2 , and pH on day 2 were the most important factors. Conclusions: In this prospective multicentric study, most children with influenza virus–related respiratory failure with prolonged acute hypoxemic respiratory failure can be identified early in their hospital course applying machine learning onto routine clinical data. Further validation is needed prior to bedside implementation.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».