Validation of cardiogenic shock phenotypes in a mixed cardiac intensive care unit population
Notice bibliographique
Résumé
BACKGROUND: Proposed phenotypes have recently been identified in cardiogenic shock (CS) populations using unsupervised machine learning clustering methods. We sought to validate these phenotypes in a mixed cardiac intensive care unit (CICU) population of patients with CS. METHODS: We included Mayo Clinic CICU patients admitted from 2007 to 2018 with CS. Agnostic K means clustering was used to assign patients to three clusters based on admission values of estimated glomerular filtration rate, bicarbonate, alanine aminotransferase, lactate, platelets, and white blood cell count. In-hospital mortality and 1-year mortality were analyzed using logistic regression and Cox proportional-hazards models, respectively. RESULTS: We included 1498 CS patients with a mean age of 67.8 ± 13.9 years, and 37.1% were females. The acute coronary syndrome was present in 57.3%, and cardiac arrest was present in 34.0%. Patients were assigned to clusters as follows: Cluster 1 (noncongested), 603 (40.2%); Cluster 2 (cardiorenal), 452 (30.2%); and Cluster 3 (hemometabolic), 443 (29.6%). Clinical, laboratory, and echocardiographic characteristics differed across clusters, with the greatest illness severity in Cluster 3. Cluster assignment was associated with in-hospital mortality across subgroups. In-hospital mortality was higher in Cluster 3 (adjusted odds ratio [OR]: 2.6 vs. Cluster 1 and adjusted OR: 2.0 vs. Cluster 2, both p < 0.001). Adjusted 1-year mortality was incrementally higher in Cluster 3 versus Cluster 2 versus Cluster 1 (all p < 0.01). CONCLUSIONS: We observed similar phenotypes in CICU patients with CS as previously reported, identifying a gradient in both in-hospital and 1-year mortality by cluster. Identifying these clinical phenotypes can improve mortality risk stratification for CS patients beyond standard measures.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».