Predicting Time to Death After Withdrawal of Life-Sustaining Measures Using Vital Sign Variability: Derivation and Validation
Notice bibliographique
Résumé
To develop a predictive model using vital sign (heart rate and arterial blood pressure) variability to predict time to death after withdrawal of life-supporting measures. DESIGN: Retrospective analysis of observational data prospectively collected as part of the Death Prediction and Physiology after Removal of Therapy study between May 1, 2014, and May 1, 2018. SETTING: Adult ICU. PATIENTS: Adult patients in the ICU with a planned withdrawal of life-supporting measures and an expectation of imminent death. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: Vital sign waveforms and clinical data were prospectively collected from 429 patients enrolled from 20 ICUs across Canada, the Czech Republic, and the Netherlands. Vital sign variability metrics were calculated during the hour prior to withdrawal. Patients were randomly assigned to the derivation cohort (288 patients) or the validation cohort (141 patients), of which 103 and 54, respectively, were eligible for organ donation after circulatory death. Random survival forest models were developed to predict the probability of death within 30, 60, and 120 minutes following withdrawal using variability metrics, features from existing clinical models, and/or the physician's prediction of rapid death. A model employing variability metrics alone performed similarly to a model employing clinical features, whereas the combination of variability, clinical features, and physician's prediction achieved the highest area under the receiver operating characteristics curve of all models at 0.78 (0.7-0.86), 0.79 (0.71-0.87), and 0.8 (0.72-0.88) for 30-, 60- and 120-minute predictions, respectively. CONCLUSIONS: Machine learning models of vital sign variability data before withdrawal of life-sustaining measures, combined with clinical features and the physician's prediction, are useful to predict time to death. The impact of providing this information for decision support for organ donation merits further investigation.
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 | 0,009 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,000 |
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 ».