Preoperative Biomarkers and Mortality Risk After Cardiac Surgery
Notice bibliographique
Résumé
Background: Cardiac surgery patients are at an increased risk for developing adverse outcomes. Preoperative blood and urine biomarkers may help stratify cardiac surgery patients at high risk for mortality. Methods: The TRIBE-AKI study enrolled 1526 patients undergoing cardiac surgery in the USA and Canada from 2007-2010 and was randomly split into a training and test dataset (70:30). A total of 32 plasma and 17 urine biomarkers were measured preoperatively. The primary outcome was 3-year mortality. Random forest (RF) and LASSO logistic regression models were used to identify top biomarkers. Logistic regression models with the highest performing biomarkers and the Society of Thoracic Surgeons (STS) risk calculator were evaluated and the discriminatory ability was assessed in the test dataset. Results: Death by 3 years occurred in 163 of the 1526 (10.7%) patients. LASSO logistic regression models retained the STS score and 6 plasma biomarkers (Troponin, IL-6, KIM1, NT-proBNP, TNFR1, YKL-40). The top 6 biomarkers identified by random forest were plasma KIM-1, TNFR1, eGFR, TNF-R2, hsTNT, and urine IL-8. In logistic regression models, the AUC in the test dataset for the STS clinical model was 0.68 (0.61, 0.76) and increased to 0.72 (0.65, 0.79) with the addition of 8 plasma and 2 urine biomarkers (plasma Troponin, IL-6, KIM-1, NT-proBNP, TNFR1, YKL-40, hFABP, TNFR2, and urine IL-8 and albumin; p=0.24). Conclusions: The addition of biomarkers improved discrimination for 3-year mortality prediction minimally beyond clinical characteristics alone. The clinical utility of measurement of biomarkers pre-operatively prior to cardiac surgery is suspect. Funding: NIDDK Support
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».