Additional file 1 of Identifying clinical subtypes in sepsis-survivors with different one-year outcomes: a secondary latent class analysis of the FROG-ICU cohort
Notice bibliographique
Résumé
Additional file 1. Methods: Detailed description of statistical analysis. Fig. S1: Heatmap of correlation between selected variables for phenotyping. Fig. S2: Consensus k clustering results. Fig. S3: Comparison of host response biomarkers levels at ICU discharge between subtypes across different subgroups of Charlson age–comorbidity index terciles. Fig. S4: Comparison of host response biomarkers levels at ICU discharge between subtypes across different subgroups of at ICU discharge SOFA terciles. Fig. S5: Comparison of host response biomarkers levels at ICU discharge between subtypes across different subgroups of on admission SAPS II terciles. Fig. S6: Comparison of host response biomarkers levels at ICU discharge between subtypes across different subgroups of sepsis severity at inclusion. Table S1: Selected variables included in the LCA model. Table S2: Cardiovascular, inflammatory and renal biomarkers measured at ICU discharge. Table S3: Clinical and biological variables at ICU discharge based on subtypes. Table S4: Site of infection and microbiological differences between subtypes. Table S5: Comparison of LCA models at discharge with different numbers of classes in a representative imputed dataset. Table S6: Patients Characteristics’ according to one-year mortality after ICU discharge. Table S7: Cox proportional hazards models to adjust for confounding (age, chronic kidney disease, diabetes mellitus, duration of ICU stay, SAPS II on admission, SOFA score at ICU discharge) for one-year mortality. Table S8: Cox proportional hazards models to adjust for confounding (age, chronic kidney disease, diabetes mellitus, duration of ICU stay, SAPS II on admission, SOFA score at ICU discharge) for one-year mortality. Table S9: Initial and reduced biomarker regression models to discriminate the two subtypes at ICU discharge. Table S10: Characteristics of the main clinical studies using an unsupervised approach (i.e., phenotyping) to identify different classes in sepsis-survivors after ICU discharge.
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 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,757 | 0,084 |
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 ».