Derivation of four computable 24-hour pediatric sepsis phenotypes to facilitate personalized enrollment in early precise anti-inflammatory clinical trials
Notice bibliographique
Résumé
ABSTRACT Objective Thrombotic microangiopathy induced Thrombocytopenia Associated Multiple Organ Failure and hyperinflammatory Macrophage Activation Syndrome are important causes of late pediatric sepsis mortality that are often missed or have delayed diagnosis. Our objective is to derive computable 24-hour sepsis phenotypes to facilitate enrollment in early precise anti-inflammatory trials targeting mortality from these conditions. Design Machine learning analysis using consensus k-means clustering. Setting Nine pediatric intensive care units. Patients 404 children with severe sepsis. Interventions 24-hour computable phenotypes derived using 25 bedside variables including C-reactive protein and ferritin. Measurements and Main Results Four computable phenotypes (PedSep-A, B, C, and D) are derived. Compared to the overall population mean, PedSep-A has the least inflammation (median C-reactive protein 7.3 mg/dL, ferritin 125 ng/mL), younger age, less chronic illness, and more respiratory failure (n = 135; 2% mortality); PedSep-B (median C-reactive protein 13.2 mg/dL, ferritin 225 ng/ mL) has organ failure with intubated respiratory failure, shock, and Glasgow Coma Scale score < 7 (n = 102, 12% mortality); PedSep-C (median C-reactive protein 15.2 mg/dL, ferritin 405 ng/mL) has elevated ferritin, lymphopenia, more shock, more hepatic failure and less respiratory failure (n = 110; mortality 10%); and, PedSep D (median C-reactive protein 13.1 mg/dL ferritin 610 ng/mL), has hyperferritinemic, thrombocytopenic multiple organ failure with more cardiovascular, respiratory, hepatic, renal, hematologic, and neurologic system failures (n = 56, 34% mortality). PedSep-D has highest likelihood of Thrombocytopenia Associated Multiple Organ Failure (Adj OR 47.51 95% CI [18.83-136.83], p < 0.0001) and Macrophage Activation Syndrome (Adj OR 38.63 95% CI [13.26-137.75], p <0.0001), and an observed survivor interaction with combined methylprednisolone and intravenous immunoglobulin therapies (p < 0.05). CONCLUSIONS AND RELEVANCE Machine learning identifies four computable phenotypes ( www.pedsepsis.pitt.edu ). Membership in PedSep-D appears optimal for enrollment in early anti-inflammatory trials targeting Thrombocytopenia Associated Multiple Organ Failure and Macrophage Activation Syndrome . Author’s Comment Question Can machine learning methods derive 24-hour computable pediatric sepsis phenotypes that facilitate early identification of patients for enrollment in precise anti-inflammatory therapy trials? Findings Four distinct phenotypes (PedSep-A, B, C, and D) were derived by assessing 25 bedside clinical variables in 404 children with sepsis. PedSep-D patients had a thrombotic microangiopathy and hyperinflammatory macrophage activation biomarker response, and improved survival odds associated with combined methylprednisolone plus intravenous immunoglobulin therapy. Meaning Four novel computable 24-hour phenotypes are identifiable ( www.pedsepsis.pitt.edu ) that could potentially facilitate enrollment in early precise anti-inflammatory trials targeting thrombotic microangiopathy and macrophage activation in pediatric sepsis.
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 | 0,010 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,000 | 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 ».