Utilization of machine learning to model the effect of blood product transfusion on short‐term lung transplant outcomes
Notice bibliographique
Résumé
The objective of this study was to identify the relationship between blood product transfusion and short-term morbidity and mortality following lung transplantation utilizing machine learning. Preoperative recipient characterstics, procedural variables, perioperative blood product transfusions, and donor charactersitics were included in the model. The primary composite outcome was occurrence on any of the following six endpoints: mortality during index hospitalization; primary graft dysfunction at 72 h post-transplant or the need for postoperative circulatory support; neurological complications (seizure, stroke, or major encephalopathy); perioperative acute coronary syndrome or cardiac arrest; and renal dysfunction requiring renal replacement therapy. The cohort included 369 patients, with the composite outcome occurring in 125 cases (33.9%). Elastic net regression analysis identified 11 significant predictors of composite morbidity: higher packed red blood cell, platelet, cryoprecipitate and plasma volume from the critical period, preoperative functional dependence, any preoperative blood transfusion, VV ECMO bridge to transplant, and antifibrinolytic therapy were associated with higher risk of morbidity. Preoperative steroids, taller height, and primary chest closure were protective against composite morbidity.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».