Using best subset regression to identify clinical characteristics and biomarkers associated with sepsis-associated acute kidney injury
Notice bibliographique
Résumé
Sepsis-associated acute kidney injury (AKI) is a complex clinical disorder associated with inflammation, endothelial dysfunction, and dysregulated coagulation. With standard regression methods, collinearity among biomarkers may lead to the exclusion of important biological pathways in a single final model. Best subset regression is an analytic technique that identifies statistically equivalent models, allowing for more robust evaluation of correlated variables. Our objective was to identify common clinical characteristics and biomarkers associated with sepsis-associated AKI. We enrolled 453 septic adults within 24 h of intensive care unit admission. Using best subset regression, we evaluated for associations using a range of models consisting of 1-38 predictors (composed of clinical risk factors and plasma and urine biomarkers) with AKI as the outcome [defined as a serum creatinine (SCr) increase of ≥0.3 mg/dL within 48 h or ≥1.5× baseline SCr within 7 days]. Two hundred ninety-seven patients had AKI. Five-variable models were found to be of optimal complexity, as the best subset of five- and six-variable models were statistically equivalent. Within the subset of five-variable models, 46 permutations of predictors were noted to be statistically equivalent. The most common predictors in this subset included diabetes, baseline SCr, angiopoetin-2, IL-8, soluble tumor necrosis factor receptor-1, and urine neutrophil gelatinase-associated lipocalin. The models had a c-statistic of ∼0.70 (95% confidence interval: 0.65-0.75). In conclusion, using best subset regression, we identified common clinical characteristics and biomarkers associated with sepsis-associated AKI. These variables may be especially relevant in the pathogenesis of sepsis-associated AKI.
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 | 0,015 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».