Predicting Tracheostomy Need on Admission to the Intensive Care Unit—A Multicenter Machine Learning Analysis
Notice bibliographique
Résumé
OBJECTIVE: It is difficult to predict which mechanically ventilated patients will ultimately require a tracheostomy which further predisposes them to unnecessary spontaneous breathing trials, additional time on the ventilator, increased costs, and further ventilation-related complications such as subglottic stenosis. In this study, we aimed to develop a machine learning tool to predict which patients need a tracheostomy at the onset of admission to the intensive care unit (ICU). STUDY DESIGN: Retrospective Cohort Study. SETTING: Multicenter Study of 335 Intensive Care Units between 2014 and 2015. METHODS: The eICU Collaborative Research Database (eICU-CRD) was utilized to obtain the patient cohort. Inclusion criteria included: (1) Age >18 years and (2) ICU admission requiring mechanical ventilation. The primary outcome of interest included tracheostomy assessed via a binary classification model. Models included logistic regression (LR), random forest (RF), and Extreme Gradient Boosting (XGBoost). RESULTS: Of 38,508 invasively mechanically ventilated patients, 1605 patients underwent a tracheostomy. The XGBoost, RF, and LR models had fair performances at an AUROC 0.794, 0.780, and 0.775 respectively. Limiting the XGBoost model to 20 features out of 331, a minimal reduction in performance was observed with an AUROC of 0.778. Using Shapley Additive Explanations, the top features were an admission diagnosis of pneumonia or sepsis and comorbidity of chronic respiratory failure. CONCLUSIONS: Our machine learning model accurately predicts the probability that a patient will eventually require a tracheostomy upon ICU admission, and upon prospective validation, we have the potential to institute earlier interventions and reduce the complications of prolonged ventilation.
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) | 0,000 | 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 | 0,001 |
| 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 ».