Published April 10, 2024 | Version v1
Publication Open

Establishment and Validation of Predictive Model of ARDS in critically ill patients

Creators

  • 1. Peking University
  • 2. Peking University Third Hospital
  • 3. Fuyang City People's Hospital

Description

Abstract Background: Acute respiratory distress syndrome (ARDS) is a prevalent complication among critically ill patients, constituting around 10% of intensive care unit (ICU) admissions and mortality rates ranging from 35% to 46%. Hence, early recognition and prediction of ARDS are crucial for the timely administration of targeted treatment. However, ARDS is frequently underdiagnosed or delayed, and its heterogeneity diminishes the clinical utility of ARDS biomarkers. This study aimed to observe the incidence of ARDS among high-risk patients and develop and validate an ARDS prediction model using machine learning (ML) techniques based on clinical parameters. Methods: This prospective cohort study in China was conducted on critically ill patients to derivate and validate the prediction model. The derivation cohort, consisting of 400 patients admitted to the ICU of the Peking University Third Hospital(PUTH) between December 2020 and August 2023, was separated for training and internal validation, and an external data set of 160 patients at the FU YANG People's Hospital from August 2022 to August 2023 was employed for external validation. Least absolute shrinkage and selection operator (LASSO) and multivariate logistic regression were used to screen predictor variables. Multiple ML classification models were integrated to analyze and identify the best models. Several evaluation indexes were used to compare the predictive performance, including the area under the receiver-operating-characteristic curve (AUC) and decision curve analysis (DCA). S Hapley Additive ex Planations (SHAP) is used to interpret ML models. Results: 400 critically ill patients were included in the analysis, with 117 developing ARDS during follow-up. The final model included gender, Lung Injury Prediction Score (LIPS), HepaticDisease, Shock, and combined Lung Contusion. Based on the AUC and DCA in the validation group, the logistic model demonstrated excellent performance, achieving an AUC of 0.836 (95% CI: 0.762-0.910). For external validation, comprising 160 patients, 44 of whom developed ARDS, the AUC was 0.799 (95% CI: 0.723-0.875). conclusion: Logistic regression models were constructed and interpreted using the SHAP method to provide a basis for screening high-risk groups for ARDS and to guide individualized treatment for different patients.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

خلفية مجردة: متلازمة الضائقة التنفسية الحادة (ARDS) هي مضاعفات سائدة بين المرضى المصابين بأمراض خطيرة، وتشكل حوالي 10 ٪ من حالات القبول في وحدة العناية المركزة ومعدلات الوفيات التي تتراوح بين 35 ٪ إلى 46 ٪. وبالتالي، فإن التعرف المبكر والتنبؤ بمتلازمة الضائقة التنفسية الحادة أمر بالغ الأهمية لإدارة العلاج المستهدف في الوقت المناسب. ومع ذلك، غالبًا ما يتم تشخيص متلازمة الضائقة التنفسية الحادة أو تأخيرها، ويقلل عدم تجانسها من الفائدة السريرية للمؤشرات الحيوية لمتلازمة الضائقة التنفسية الحادة. هدفت هذه الدراسة إلى مراقبة حدوث متلازمة الضائقة التنفسية الحادة بين المرضى المعرضين لخطر كبير وتطوير نموذج التنبؤ بمتلازمة الضائقة التنفسية الحادة والتحقق من صحته باستخدام تقنيات التعلم الآلي (ML) بناءً على المعلمات السريرية. الأساليب: أجريت هذه الدراسة الجماعية المحتملة في الصين على المرضى المصابين بأمراض خطيرة لاشتقاق نموذج التنبؤ والتحقق من صحته. تم فصل مجموعة الاشتقاق، التي تتكون من 400 مريض تم إدخالهم إلى وحدة العناية المركزة في مستشفى جامعة بكين الثالث (PUTH) بين ديسمبر 2020 وأغسطس 2023، للتدريب والتحقق الداخلي، وتم استخدام مجموعة بيانات خارجية من 160 مريضًا في مستشفى فو يانغ الشعبي من أغسطس 2022 إلى أغسطس 2023 للتحقق الخارجي. تم استخدام أقل عامل انكماش واختيار مطلق (LASSO) والانحدار اللوجستي متعدد المتغيرات لفحص متغيرات التنبؤ. تم دمج نماذج تصنيف متعددة لغسل الأموال لتحليل وتحديد أفضل النماذج. تم استخدام العديد من مؤشرات التقييم لمقارنة الأداء التنبئي، بما في ذلك المنطقة الواقعة تحت منحنى خصائص تشغيل المتلقي وتحليل منحنى القرار. يستخدم S Hapley Additive ex Planations (SHAP) لتفسير نماذج التعلم الآلي. النتائج: تم تضمين 400 مريض في حالة حرجة في التحليل، مع 117 حالة إصابة بمتلازمة الضائقة التنفسية الحادة أثناء المتابعة. تضمن النموذج النهائي الجنس، ودرجة التنبؤ بإصابات الرئة (LIPS)، ومرض الكبد، والصدمة، وكدمة الرئة مجتمعة. استنادًا إلى AUC و DCA في مجموعة التحقق، أظهر النموذج اللوجستي أداءً ممتازًا، حيث حقق AUC 0.836 (95 ٪ CI: 0.762-0.910). بالنسبة للتحقق الخارجي، الذي يضم 160 مريضًا، 44 منهم أصيبوا بمتلازمة الضائقة التنفسية الحادة، كانت المساحة تحت المنحنى 0.799 (95 ٪ مؤشر الثقة: 0.723-0.875). الاستنتاج: تم بناء نماذج الانحدار اللوجستي وتفسيرها باستخدام طريقة SHAP لتوفير أساس لفحص المجموعات عالية الخطورة لمتلازمة الضائقة التنفسية الحادة وتوجيه العلاج الفردي للمرضى المختلفين.

Translated Description (French)

Résumé Contexte : Le syndrome de détresse respiratoire aiguë (SDRA) est une complication répandue chez les patients gravement malades, représentant environ 10 % des admissions en unité de soins intensifs (USI) et des taux de mortalité allant de 35 % à 46 %. Par conséquent, la reconnaissance et la prédiction précoces du SDRA sont cruciales pour l'administration en temps opportun d'un traitement ciblé. Cependant, le SDRA est souvent sous-diagnostiqué ou retardé, et son hétérogénéité diminue l'utilité clinique des biomarqueurs du SDRA. Cette étude visait à observer l'incidence du SDRA chez les patients à haut risque et à développer et valider un modèle de prédiction du SDRA à l'aide de techniques d'apprentissage automatique (ML) basées sur des paramètres cliniques. Méthodes : Cette étude de cohorte prospective en Chine a été menée sur des patients gravement malades pour dériver et valider le modèle de prédiction. La cohorte de dérivation, composée de 400 patients admis à l'unité de soins intensifs du troisième hôpital de l'Université de Pékin (PUTH) entre décembre 2020 et août 2023, a été séparée pour la formation et la validation interne, et un ensemble de données externes de 160 patients à l'hôpital populaire FU YANG d'août 2022 à août 2023 a été utilisé pour la validation externe. L'opérateur de moindre retrait absolu et de sélection (LASSO) et la régression logistique multivariée ont été utilisés pour filtrer les variables prédictives. Plusieurs modèles de classification ML ont été intégrés pour analyser et identifier les meilleurs modèles. Plusieurs indices d'évaluation ont été utilisés pour comparer la performance prédictive, y compris l'aire sous la courbe caractéristique de fonctionnement du récepteur (ASC) et l'analyse de la courbe de décision (DCA). S Hapley Additive ex Planations (SHAP) est utilisé pour interpréter les modèles ML. Résultats : 400 patients gravement malades ont été inclus dans l'analyse, dont 117 ont développé un SDRA au cours du suivi. Le modèle final comprenait le sexe, le score de prédiction des lésions pulmonaires (LÈVRES), la maladie hépatique, le choc et la contusion pulmonaire combinée. Sur la base de l'AUC et du DCA dans le groupe de validation, le modèle logistique a démontré d'excellentes performances, atteignant une AUC de 0,836 (IC à 95 % : 0,762-0,910). Pour la validation externe, comprenant 160 patients, dont 44 ont développé un SDRA, l'ASC était de 0,799 (IC à 95 % : 0,723-0,875). conclusion : des modèles de régression logistique ont été construits et interprétés à l'aide de la méthode SHAP pour fournir une base pour le dépistage des groupes à haut risque de SDRA et pour guider un traitement individualisé pour différents patients.

Translated Description (Spanish)

Resumen Antecedentes: El síndrome de dificultad respiratoria aguda (SDRA) es una complicación prevalente entre los pacientes críticos, que constituye alrededor del 10% de los ingresos en la unidad de cuidados intensivos (UCI) y las tasas de mortalidad oscilan entre el 35% y el 46%. Por lo tanto, el reconocimiento temprano y la predicción del SDRA son cruciales para la administración oportuna del tratamiento dirigido. Sin embargo, el SDRA es frecuentemente infradiagnosticado o retrasado, y su heterogeneidad disminuye la utilidad clínica de los biomarcadores del SDRA. Este estudio tuvo como objetivo observar la incidencia de SDRA entre pacientes de alto riesgo y desarrollar y validar un modelo de predicción de SDRA utilizando técnicas de aprendizaje automático (ML) basadas en parámetros clínicos. Métodos: Este estudio de cohorte prospectivo en China se realizó en pacientes críticos para derivar y validar el modelo de predicción. La cohorte de derivación, compuesta por 400 pacientes ingresados en la UCI del Tercer Hospital Universitario de Pekín (PUTH) entre diciembre de 2020 y agosto de 2023, se separó para capacitación y validación interna, y se empleó un conjunto de datos externos de 160 pacientes en el Hospital Popular FU YANG de agosto de 2022 a agosto de 2023 para validación externa. El operador de contracción y selección menos absoluta (LASSO) y la regresión logística multivariante se utilizaron para examinar las variables predictoras. Se integraron múltiples modelos de clasificación de ML para analizar e identificar los mejores modelos. Se utilizaron varios índices de evaluación para comparar el rendimiento predictivo, incluido el área bajo la curva característica operativa del receptor (AUC) y el análisis de la curva de decisión (DCA). S Hapley Additive ex Planations (SHAP) se utiliza para interpretar los modelos de ML. Resultados: 400 pacientes críticamente enfermos fueron incluidos en el análisis, con 117 en desarrollo de SDRA durante el seguimiento. El modelo final incluyó el género, la puntuación de predicción de lesión pulmonar (LIPS), la enfermedad hepática, el shock y la contusión pulmonar combinada. Con base en el AUC y DCA en el grupo de validación, el modelo logístico demostró un excelente desempeño, logrando un AUC de 0.836 (IC 95%: 0.762-0.910). Para la validación externa, que comprende 160 pacientes, 44 de los cuales desarrollaron SDRA, el AUC fue de 0,799 (IC del 95%: 0,723-0,875). conclusión: Los modelos de regresión logística se construyeron e interpretaron utilizando el método SHAP para proporcionar una base para el cribado de grupos de alto riesgo para SDRA y para guiar el tratamiento individualizado para diferentes pacientes.

Files

latest.pdf.pdf

Files (6.4 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:cac092594c6715383937d3cc58633e62
6.4 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
إنشاء والتحقق من صحة النموذج التنبئي لمتلازمة الضائقة التنفسية الحادة في المرضى ذوي الحالات الحرجة
Translated title (French)
Établissement et validation du modèle prédictif du SDRA chez les patients gravement malades
Translated title (Spanish)
Establecimiento y validación del modelo predictivo de SDRA en pacientes críticos

Identifiers

Other
https://openalex.org/W4394694924
DOI
10.21203/rs.3.rs-4160584/v1

Is supplement to
https://openalex.org/W4389798980 (Other)
https://openalex.org/W4248977994 (Other)
https://openalex.org/W3116297196 (Other)
https://openalex.org/W3031052312 (Other)
https://openalex.org/W3011206692 (Other)
https://openalex.org/W2888412288 (Other)
https://openalex.org/W2748952813 (Other)
https://openalex.org/W2555628733 (Other)
https://openalex.org/W2382071302 (Other)
https://openalex.org/W2087141122 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1803784511
  • https://openalex.org/W2008171497
  • https://openalex.org/W2045030989
  • https://openalex.org/W2056193118
  • https://openalex.org/W2106923828
  • https://openalex.org/W2139155990
  • https://openalex.org/W2151432963
  • https://openalex.org/W2153155205
  • https://openalex.org/W2167548800
  • https://openalex.org/W2168051713
  • https://openalex.org/W2203536584
  • https://openalex.org/W2286228001
  • https://openalex.org/W2466917409
  • https://openalex.org/W2497572233
  • https://openalex.org/W2508748766
  • https://openalex.org/W2589468479
  • https://openalex.org/W2895827636
  • https://openalex.org/W2962948918
  • https://openalex.org/W3020694166
  • https://openalex.org/W3035353028
  • https://openalex.org/W3081363252
  • https://openalex.org/W3089716446
  • https://openalex.org/W3104830070
  • https://openalex.org/W3116297196
  • https://openalex.org/W3198995137
  • https://openalex.org/W4220793166
  • https://openalex.org/W4296818303
  • https://openalex.org/W4297237137
  • https://openalex.org/W4385216881
  • https://openalex.org/W810795647