Endotyping in ARDS: one step forward in precision medicine
Notice bibliographique
Résumé
Abstract Background The Berlin definition of acute respiratory distress syndrome (ARDS) includes only clinical characteristics. Understanding unique patient pathobiology may allow personalized treatment. We aimed to define and describe ARDS phenotypes/endotypes combining clinical and pathophysiologic parameters from a Canadian ARDS cohort. Methods A cohort of adult ARDS patients from multiple sites in Calgary, Canada, had plasma cytokine levels and clinical parameters measured in the first 24 h of ICU admission. We used a latent class model (LCM) to group the patients into several ARDS subgroups and identified the features differentiating those subgroups. We then discuss the subgroup effect on 30 day mortality. Results The LCM suggested three subgroups ( n 1 = 64, n 2 = 86, and n 3 = 30), and 23 out of 69 features made these subgroups distinct. The top five discriminating features were IL-8, IL-6, IL-10, TNF-a, and serum lactate. Mortality distinctively varied between subgroups. Individual clinical characteristics within the subgroup associated with mortality included mean PaO 2 /FiO 2 ratio, pneumonia, platelet count, and bicarbonate negatively associated with mortality, while lactate, creatinine, shock, chronic kidney disease, vasopressor/ionotropic use, low GCS at admission, and sepsis were positively associated. IL-8 and Apache II were individual markers strongly associated with mortality (Area Under the Curve = 0.84). Perspective ARDS subgrouping using biomarkers and clinical characteristics is useful for categorizing a heterogeneous condition into several homogenous patient groups. This study found three ARDS subgroups using LCM; each subgroup has a different level of mortality. This model may also apply to developing further trial design, prognostication, and treatment selection.
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 | 0,043 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».