Machine Learning-based Mortality Prediction for Pediatric Fulminant Myocarditis Using Cytokine Profiles
Notice bibliographique
Résumé
Abstract Background Fulminant myocarditis (FM) is a rare but life-threatening pediatric condition that rapidly progresses to cardiogenic shock and fatal arrhythmias. Early identification of prognostic biomarkers is vital for timely intervention and better outcomes. Although inflammatory cytokines contribute to FM pathogenesis, their prognostic value remains unclear. This study aimed to identify mortality-associated markers by integrating cytokine profiles and clinical variables through a machine learning approach. Methods We retrospectively analyzed 21 pediatric FM cases from two tertiary centers (2012–2022). At admission, 37 cytokines and 14 clinical parameters were assessed. Partial least squares discriminant analysis was employed to identify prognostic features, with variable importance in projection scores quantifying their contribution. Model performance was evaluated using leave-one-out cross-validation. Statistical significance was determined via the Benjamini-Hochberg method at a false discovery rate of 0.05. Results Of the 51 features analyzed, 23 emerged as key predictors with variable importance in projection scores above 1.0, including 20 cytokines and three clinical parameters. Six cytokines (TNF-α, M-CSF, MIP-1α, IL-8, IL-6, and IL-15) were both statistically significant and highly important. Elevated CK-MB and lactate levels and lower pH were also linked to poor outcomes. The model performed robustly, with an AUC of 0.92, 85.7% accuracy, 92.9% sensitivity, and 71.4% specificity. Conclusions TNF-α emerged as a key cytokine linked to mortality in pediatric FM, supporting its role as a prognostic biomarker and potential therapeutic target.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».