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 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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».