Machine learning-based prognostic model for in-hospital mortality of aortic dissection: Insights from an intensive care medicine perspective
Notice bibliographique
Résumé
Objective: Aortic dissection (AD) is a severe emergency with high morbidity and mortality, necessitating strict monitoring and management. This retrospective study aimed to identify prognostic factors and establish predictive models for in-hospital mortality among AD patients in the intensive care unit (ICU). Methods: We retrieved ICU admission records of AD patients from the Medical Information Mart for Intensive Care (MIMIC)-IV critical care data set and the eICU Collaborative Research Database. Functional data analysis was further applied to estimate continuous vital sign processes, and variables associated with in-hospital mortality were identified through univariate analyses. Subsequently, we employed multivariable logistic regression and machine learning techniques, including simple decision tree, random forest (RF), and eXtreme Gradient Boosting (XGBoost) to develop prognostic models for in-hospital mortality. Results: Given 643 ICU admissions from MIMIC-IV and 501 admissions from eICU, 29 and 28 prognostic factors were identified from each database through univariate analyses, respectively. For prognostic model construction, 507 MIMIC-IV admissions were divided into 406 (80%) for training and 101 (20%) for internal validation, and 87 eICU admissions were included as an external validation group. Of the four models tested, the RF consistently exhibited the best performance among different variable subsets, boasting area under the receiver operating characteristic curves of 0.870 and 0.850. The models highlighted the mean 24-h fluid intake as the most potent prognostic factor. Conclusions: The current prognostic models effectively forecasted in-hospital mortality among AD patients, and they pinpointed noteworthy prognostic factors, including initial blood pressure upon ICU admission and mean 24-h fluid intake.
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 | 0,000 |
| 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 ».