Predicting Pediatric Sepsis and Mortality Using Wearable Device Data and Machine Learning in Bangladesh
Notice bibliographique
Résumé
Sepsis disproportionately impacts children in low-resource settings, where diagnostic tools like the Phoenix Sepsis Score (PSS) are constrained by reliance on laboratory testing. The objective of this research was to evaluate the use of continuous physiological data from low-cost wearable biosensors and machine learning models to predict pediatric sepsis, septic shock, and mortality in a low-resource, intensive care setting. This prospective observational single-site study analyzed 96 pediatric intensive care unit patients with suspected sepsis in Dhaka, Bangladesh. Physiological data were collected using a wearable biosensor patch, whereas clinical exams, laboratory tests, and PSS criteria identified sepsis, septic shock, and mortality. Least absolute shrinkage and selection operator (LASSO) regression models were developed and validated through leave-one-group-out cross-validation (LOGO-CV) using biosensor data. Our clinical diagnostic model for sepsis using biosensor-only features demonstrated an area under the receiver operating characteristic curve (AUROC) of 0.78 (null AUROC = 0.58). For septic shock, the model demonstrated an AUROC of 0.85 (null AUROC = 0.61). The mortality model demonstrated an AUROC of 0.87 (null AUROC = 0.64). Sensitivity analyses showed improvement of AUROC to 0.89 for prediction of sepsis with manual recorded oxygen saturation (SpO2) included. Although models were trained and tested retrospectively with internal validation, findings demonstrate the potential of wearable biosensors to support pediatric sepsis diagnosis without reliance on advanced diagnostics. These results encourage further external validation with larger, multisite cohorts and real-time mobile health (mHealth) integration to support clinical use in low-resource 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 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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».