Using machine learning and centrifugal microfluidics at the point-of-need to predict clinical deterioration of patients with suspected sepsis within the first 24 h.
Notice bibliographique
Résumé
Sepsis is the bodys dysfunctional response to infection associated with organ failure. Delays in diagnosis have a substantial impact on survival. Herein, samples from 586 in-house patients were used in conjunction with machine learning and cross-validation to narrow a gene expression signature of immune cell reprogramming to predict clinical deterioration in patients with suspected sepsis within the first 24 hours (h) of clinical presentation using just six genes (Sepset). The accuracy of the test (~90% in early intensive care unit (ICU) and 70% in emergency room patients) was validated in 3,178 patients from existing independent cohorts. A real-time reverse transcriptase polymerase chain reaction (RT-PCR)-based test was shown to have a 98% sensitivity in >230 patients to predict worsening of the sequential organ failure scores or admission to the ICU within the first 24 h following Sepset detection. A stand-alone centrifugal microfluidic instrument that integrates the entire automated workflow for detection of the Sepset classifier in whole blood using digital droplet PCR was developed and tested. This PREcision meDIcine for CriTical care (PREDICT) system had a high sensitivity of 92%, specificity of 89%, and an overall accuracy of 88% in identifying the risk of imminent clinical deterioration in patients with suspected sepsis.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,000 | 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 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 ».