Stress-Induced Hyperglycemia as an Independent Predictor of Infectious Pancreatic Necrosis in Acute Pancreatitis: A Machine Learning-Driven Prognostic Model
Notice bibliographique
Résumé
Xuchen Zhao,1,* Jiale Xu,2,* Congzhong Hu,1,* Wei Xue,1 Zongyuan Che,1 Ruiqi Ling,1 Haoyang Chen,1 Yulin Feng,1 Xiaolong Li,1 Shaojian Mo,1 Yanzhang Tian1 1Department of Biliary and Pancreatic Surgery, The Third Hospital of Shanxi Medical University (Shanxi Bethune Hospital, Shanxi Academy of Medical Sciences, Tongji Shanxi Hospital), Taiyuan, Shanxi, People’s Republic of China; 2Department of General Surgery, General Hospital of Tisco (The Sixth Hospital of Shanxi Medical University), Taiyuan, Shanxi, People’s Republic of China*These authors contributed equally to this workCorrespondence: Yanzhang Tian, Department of Biliary and Pancreatic Surgery, The Third Hospital of Shanxi Medical University (Shanxi Bethune Hospital, Shanxi Academy of Medical Sciences, Tongji Shanxi Hospital), Taiyuan, Shanxi, People’s Republic of China, Email tianyanzhang@sxbqeh.com.cn Shaojian Mo, Department of Biliary and Pancreatic Surgery, The Third Hospital of Shanxi Medical University (Shanxi Bethune Hospital, Shanxi Academy of Medical Sciences, Tongji Shanxi Hospital), Taiyuan, Shanxi, People’s Republic of China, Email moshaojian@sxbqeh.com.cnObjective: To investigate the impact of stress-induced hyperglycemia (SHG) at admission on clinical outcomes in acute pancreatitis (AP) by collecting and analyzing relevant clinical data.Methods: This study enrolled AP patients diagnosed at Shanxi Bethune Hospital from January 1, 2017, to December 31, 2022. Clinical data and 24-h laboratory indicators were retrospectively collected. We employed propensity score matching (PSM) to compare the impact of SHG on AP clinical outcomes before and after matching. A temporal split allocated patients into training/validation cohorts for developing and validating a clinical prediction model for infected pancreatic necrosis (IPN).Results: This study included 1343 acute pancreatitis patients, with 348 having SHG at admission. Before PSM, SHG patients showed significantly longer hospital stays (13.8 vs 12.28 days, p< 0.001), higher ICU admission rates (6% vs 2%, p< 0.001), and increased infected pancreatic necrosis (IPN) (15% vs.6%). After using PSM to control for confounding factors, SHG patients maintained longer hospitalizations (13.61 vs 12.28 days, p=0.004), higher ICU admissions (6% vs 2%, p=0.005), and IPN rates (15% vs 6%, p< 0.001). These results confirm SHG as an independent poor prognostic factor for AP rather than a reflection of baseline differences. In the training cohort, seven independent IPN predictors were identified: hyperlipidemia, SHG, modified CT severity index (MCTSI), systemic inflammatory response syndrome (SIRS), Prothrombin Time Activity (PT%), LDL-C, and peripancreatic effusion. The clinical prediction model demonstrated good performance in the validation cohort, with an area under the receiver operating characteristic curve (AUC) of 0.891.Conclusion: PSM confirmed that SHG adversely impacts clinical outcomes in acute pancreatitis. The prediction model incorporating seven variables—hyperlipidemia, SHG, MCTSI, SIRS, PT%, LDL-C, and peripancreatic effusion—demonstrated favorable predictive performance and clinical utility for infected pancreatic necrosis (IPN) in acute pancreatitis patients. Meanwhile, we developed a web-based calculator to enhance its clinical utility.Keywords: acute pancreatitis, stress-induced hyperglycemia, propensity score matching, clinical prediction model
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».