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 [PaO 2 /(FiO 2 xPEEP) or P/FP E ] for PEEP ≥ 5 to address Berlin’s definition gap for ARDS severity by using machine learning (ML) approaches. Methods We examined P/FP E 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 PaO 2 /FiO 2 criteria with P/FP E 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/FP E ratio outperformed PaO 2 /FiO 2 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/FP E ratio to assess ARDS severity after onset over time is markedly better than current PaO 2 /FiO 2 criteria. The use of P/FP E 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 tête enseignante, 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 ».