ICU Admission Prediction for Patients With Kawasaki Disease or MIS-C Using Machine Learning
Notice bibliographique
Résumé
BACKGROUND: Multisystem inflammatory syndrome in children (MIS-C) and Kawasaki disease (KD) show a broad spectrum of clinical severity, from a relatively benign clinical course to requiring admission to the intensive care unit (ICU). With either, clinical deterioration may be rapid and unexpected. OBJECTIVES: The aim of the study was to develop a machine learning (ML) model to predict future ICU admission for patients with KD or MIS-C to augment clinical decision-making. METHODS: We developed a prediction model for ICU admission using 2,539 patients <18 years of age with MIS-C or KD enrolled in the International Kawasaki Disease Registry. Using discrete time-point clinical features and engineered time-series clinical features, we developed predictive snapshot and window ML models with logistic regression, XGBoost, and random forest. Performance was compared between the various iterations of the models. RESULTS: ML models effectively predicted admission to the ICU within the next 48 hours of the time of prediction. The time-series window-XGBoost model outperformed other models with an AUROC of 0.92 and an area under the precision-recall curve of 0.86. The incorporation of engineered time-series features improved the precision and recall independent of the length of the sampling time window. Higher ferritin level, treatment with anticoagulant or unfractionated heparin, higher C-reactive protein level, and lower platelet count were identified as the most predictive features for positive ICU prediction. CONCLUSIONS: ML algorithms can effectively predict ICU admission for pediatric patients with MIS-C or KD. These models may prompt physicians to pre-emptively implement supportive measures, possibly mitigating the risk of clinical deterioration.
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 ».