Novel criteria to classify ARDS severity using a machine learning approach
Notice bibliographique
Résumé
Abstract Background Usually, arterial oxygenation in patients with the acute respiratory distress syndrome (ARDS) improves substantially by increasing the level of positive end-expiratory pressure (PEEP). Herein, we are proposing a novel variable [PaO2/(FiO2xPEEP) or P/FPE] for PEEP ≥ 5 to address Berlin’s definition gap for ARDS severity by using machine learning (ML) approaches. Methods We examined P/FPE values delimiting the boundaries of mild, moderate, and severe ARDS. We applied ML to predict ARDS severity after onset over time by comparing current Berlin PaO2/FiO2 criteria with P/FPE under three different scenarios. We extracted clinical data from the first 3 ICU days after ARDS onset (N = 2738, 1519, and 1341 patients, respectively) from MIMIC-III database according to Berlin criteria for severity. Then, we used the multicenter database eICU (2014–2015) and extracted data from the first 3 ICU days after ARDS onset (N = 5153, 2981, and 2326 patients, respectively). Disease progression in each database was tracked along those 3 ICU days to assess ARDS severity. Three robust ML classification techniques were implemented using Python 3.7 (LightGBM, RF, and XGBoost) for predicting ARDS severity over time. Results P/FPE ratio outperformed PaO2/FiO2 ratio in all ML models for predicting ARDS severity after onset over time (MIMIC-III: AUC 0.711–0.788 and CORR 0.376–0.566; eICU: AUC 0.734–0.873 and CORR 0.511–0.745). Conclusions The novel P/FPE ratio to assess ARDS severity after onset over time is markedly better than current PaO2/FiO2 criteria. The use of P/FPE could help to manage ARDS patients with a more precise therapeutic regimen for each ARDS category of severity.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».