Early heart rate variability evaluation enables to predict ICU patients’ outcome
Notice bibliographique
Résumé
Heart rate variability (HRV) is a mean to evaluate cardiac effects of autonomic nervous system activity, and a relation between HRV and outcome has been proposed in various types of patients. We attempted to evaluate the best determinants of such variation in survival prediction using a physiological data-warehousing program. Plethysmogram tracings (PPG) were recorded at 75 Hz from the standard monitoring system, for a 2 h period, during the 24 h following ICU admission. Physiological data recording was associated with metadata collection. HRV was derived from PPG in either the temporal and non-linear domains. 540 consecutive patients were recorded. A lower LF/HF, SD2/SD1 ratios and Shannon entropy values on admission were associated with a higher ICU mortality. SpO2/FiO2 ratio and HRV parameters (LF/HF and Shannon entropy) were independent correlated with mortality in the multivariate analysis. Machine-learning using neural network (kNN) enabled to determine a simple decision tree combining the three best determinants (SDNN, Shannon Entropy, SD2/SD1 ratio) of a composite outcome index. HRV measured on admission enables to predict outcome in the ICU or at Day-28, independently of the admission diagnosis, treatment and mechanical ventilation requirement.Trial registration: ClinicalTrials.gov identifier NCT02893462.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».