ASSOCIATION OF SYSTEMIC INFLAMMATORY REACTION AFTER CARDIAC SURGERY WITH INCREASED 30-DAY MORTALITY: A MACHINE LEARNING APPROACH FOR RISK PREDICTION
Notice bibliographique
Résumé
Background and Aim: Systemic inflammation (SIRS) characterizes the postoperative course of cardiac surgery, worsening patient outcomes in its most relevant form. We investigated the impact of SIRS on 30-day mortality and developed a machine-learning model for SIRS prediction. Methods: A retrospective evaluation of patients who underwent cardiac surgery from 2016- 2020 in a single hospital was performed. SIRS was assessed 12 hours post-surgery using the ACCP/SCCM criteria. A multivariate logistic model identified SIRS predictors. SIRS-positive patients were matched 1:1 with SIRS-negative ones. The effect of SIRS on mortality was investigated within the propensity-matched cohort. Baseline Risk (BRM) and Procedure- adjusted Risk (PARM) Random Forest Models were trained, optimized, and calibrated. Models’ performance was assessed via cross-validation (CV), using the AUC as a benchmark metric. Results: A total of 1908 patients were included. SIRS incidence was 28.7%, and 30-day mortality was 4.6%. Propensity scoring matched 483 patient pairs. SIRS was significantly associated with mortality (OR 2.77; 95%CI 1.40-5.47, p=0.003). SIRS mediated a proportion of its intraoperative predictors’ impact on mortality: 24.3% for anemia, 9.9% for vasopressors, 4.0% for hyperlactatemia (p<0.001). The BRM produced an AUC 0.77±0.04 in the 5-fold CV and an AUC 0.73 (95%CI 0.70-0.85) on the test set, whereas the PRM culminated in an AUC 0.81±0.02 in the CV and 0.82 (95%CI 0.76-0.85) on the test-set (DeLong p<0.001). Conclusion: Clinically-defined SIRS after cardiac surgery is associated with 30-day mortality. Machine learning allows to predict SIRS effectively, and paves the way for research exploring targeted interventions to prevent/mitigate its negative effects.
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 | 0,013 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| 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 | 0,001 |
| 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 ».