Propofol-associated Hypertriglyceridemia: Development and Multicenter Validation of a Machine-Learning-Based Prediction Tool
Notice bibliographique
Résumé
Purpose: To develop and validate an explainable machine learning (ML) tool to help clinicians predict the risk of propofol-associated hypertriglyceridemia in critically ill patients receiving propofol sedation. Methods: Patients from 11 intensive care units (ICUs) across five Mayo Clinic hospitals were included if they met the following criteria: a) ≥ 18 years of age, b) received propofol infusion while on invasive mechanical ventilation for ≥24 h, and c) had a triglyceride level measured. The primary outcome was hypertriglyceridemia (triglyceride >400 mg/dL) onset within 10 days of propofol initiation. Both COVID-inclusive and COVID-independent modeling pipelines were developed to ensure applicability post-pandemic. Decision thresholds were chosen to maintain model sensitivity >80%. Nested leave-one-site-out cross-validation (LOSO-CV) was used to externally evaluate pipeline performance. Model explainability was assessed using permutation importance and SHapley Additive exPlanations (SHAP). Results: Among 3922 included patients, 769 (19.6%) developed propofol-associated hypertriglyceridemia, and 879 (22.4%) had COVID-19 at ICU admission. During nested LOSO-CV, the COVID-inclusive pipeline achieved an average AUC-ROC of 0.71 (95% confidence interval [CI] 0.70–0.72), while the COVID-independent pipeline achieved an average AUC-ROC of 0.69 (95% CI 0.68–0.70). Age, initial propofol dose, and BMI were the top three most important features in both models. Conclusion: We developed an explainable ML-based tool with acceptable predictive performance for assessing the risk of propofol-associated hypertriglyceridemia in ICU patients. This tool can aid clinicians in identifying at-risk patients to guide triglyceride monitoring and optimize sedative selection.
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 | 0,030 | 0,058 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».