Unsupervised machine learning to explore inflammation following cardiopulmonary bypass
Notice bibliographique
Résumé
IntroductionCardiac surgery with cardiopulmonary bypass (CPB) often induces systemic inflammatory reaction syndrome (SIRS), affecting postoperative outcome. We aimed to explore adaptive/maladaptive inflammation using unsupervised machine learning.MethodsWe conducted a post hoc analysis of 1908 adult patients who underwent elective cardiac surgery with CPB between June 2016 and June 2020 at a single institution. Patients were assessed for SIRS 12 hours post-surgery and clustered using the partitioning around medoids (PAM) algorithm based on Gower distance. The influence of SIRS on a composite outcome comprising death, stroke/TIA, renal replacement therapy, reoperation for bleeding, mechanical circulatory support, and ICU stay >96 hours was analyzed via multivariable logistic regression.ResultsSIRS occurred in 28.7% of patients (median age 69 years; 68.7% male). Clustering revealed two subgroups: maladaptive SIRS (52.9%) with higher preoperative risk and worse outcomes, and adaptive SIRS (47.1%) with favorable outcomes. Maladaptive SIRS patients had higher 30-day mortality (21.7% vs 1.6%, p < .001). Adaptive SIRS patients had outcomes similar to SIRS-negative controls. In selected clusters, SIRS was independently associated with a lower risk of the composite outcome (OR 0.44; 95% CI 0.26-0.74, p = .002).ConclusionUnsupervised machine learning effectively identifies adaptive and maladaptive SIRS in cardiac surgery patients, providing a basis for personalized postoperative care. Several clinical and procedural factors associated with maladaptive SIRS may be modifiable, supporting future precision strategies to reduce harmful inflammation after cardiac surgery.
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 ».