Heart Rate and Body Temperature Relationship in Children Admitted to PICU: A Machine Learning Approach
Notice bibliographique
Résumé
Vital signs are crucial clinical measures, with body temperature (BT) and heart rate (HR) being particularly significant. While their association has been studied in adults and children, research in Pediatric Intensive Care Unit (PICU) settings remains limited despite the critical conditions of these patients. OBJECTIVE: This study examines the relationship between HR and BT in children aged 0 to 18 admitted to the PICU at CHU Sainte-Justine (CHUSJ) Hospital. METHODS: Machine learning (ML) techniques, including Gradient Boosting Machines (GBM) with Quantile Regression (QR), were applied to capture the relationship between HR, BT, and age, optimizing model performance through hyperparameter tuning. RESULTS: Analyzing data from 4006 children, we observed a consistent trend of decreasing HR with increasing age and rising HR with higher BT ranges. Linear models often underestimated HR at lower BT ranges and overestimated it at higher ranges, especially in younger age groups. The GBM model demonstrated improved accuracy and supported a user-friendly interface for HR predictions based on BT, age, and HR percentiles. Qualitative observations indicated that linear models underestimated HR at lower BT ranges and overestimated it at higher ones, particularly in younger children. These findings challenge the direct linear association assumed in prior studies. CONCLUSION: This study provides new insights into the non-linear dynamics between HR, BT, and age in critically ill children, emphasizing further research to quantify and understand these relationships. SIGNIFICANCE: By refining predictive models and re-evaluating traditional assumptions, this work provides valuable insights for improving clinical decision-making in PICU settings.
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 | 0,001 | 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 ».