Machine learning determination of motivators of terminal extubation during the transition to end-of-life care in intensive care unit
Notice bibliographique
Résumé
Procedural aspects of compassionate care such as the terminal extubation are understudied. We used machine learning methods to determine factors associated with the decision to extubate the critically ill patient at the end of life, and whether the terminal extubation shortens the dying process. We performed a secondary data analysis of a large, prospective, multicentre, cohort study, death prediction and physiology after removal of therapy (DePPaRT), which collected baseline data as well as ECG, pulse oximeter and arterial waveforms from WLST until 30 min after death. We analysed a priori defined factors associated with the decision to perform terminal extubation in WLST using the random forest method and logistic regression. Cox regression was used to analyse the effect of terminal extubation on time from WLST to death. A total of 616 patients were included into the analysis, out of which 396 (64.3%) were terminally extubated. The study centre, low or no vasopressor support, and good respiratory function were factors significantly associated with the decision to extubate. Unadjusted time to death did not differ between patients with and without extubation (median survival time extubated vs. not extubated: 60 [95% CI: 46; 76] vs. 58 [95% CI: 45; 75] min). In contrast, after adjustment for confounders, time to death of extubated patients was significantly shorter (49 [95% CI: 40; 62] vs. 85 [95% CI: 61; 115] min). The decision to terminally extubate is associated with specific centres and less respiratory and/or vasopressor support. In this context, terminal extubation was associated with a shorter time to death.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».