Radiomic analysis of abdominal organs during sepsis of digestive origin in a French intensive care unit
Notice bibliographique
Résumé
BACKGROUND: Sepsis is a severe and common cause of admission to the intensive care unit (ICU). Radiomic analysis (RA) may predict organ failure and patient outcomes. The objective of this study was to assess a model of RA and to evaluate its performance in predicting in-ICU mortality and acute kidney injury (AKI) during abdominal sepsis. METHODS: This single-center, retrospective study included patients admitted to the ICU for abdominal sepsis. To predict in-ICU mortality or AKI, elastic net regularized logistic regression and the random forest algorithm were used in a five-fold cross-validation set repeated 10 times. RESULTS: Fifty-five patients were included. In-ICU mortality was 25.5%, and 76.4% of patients developed AKI. To predict in-ICU mortality, elastic net and random forest models, respectively, achieved areas under the curve (AUCs) of 0.48 (95% confidence interval [CI], 0.43-0.54) and 0.51 (95% CI, 0.46-0.57) and were not improved combined with Simplified Acute Physiology Score (SAPS) II. To predict AKI with RA, the AUC was 0.71 (95% CI, 0.66-0.77) for elastic net and 0.69 (95% CI, 0.64-0.74) for random forest, and these were improved combined with SAPS II, respectively; AUC of 0.94 (95% CI, 0.91-0.96) and 0.75 (95% CI, 0.70-0.80) for elastic net and random forest, respectively. CONCLUSIONS: This study suggests that RA has poor predictive performance for in-ICU mortality but good predictive performance for AKI in patients with abdominal sepsis. A secondary validation cohort is needed to confirm these results and the assessed model.
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) | 0,001 | 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 ».