論文の概要: Clinical Characteristics and Laboratory Biomarkers in ICU-admitted Septic Patients with and without Bacteremia

• arxiv url: http://arxiv.org/abs/2311.08433v1
• Date: Tue, 14 Nov 2023 06:44:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 18:56:59.849958
• Title: Clinical Characteristics and Laboratory Biomarkers in ICU-admitted Septic Patients with and without Bacteremia
• Title（参考訳）: icu投与敗血症患者における細菌血症の臨床的特徴と検査バイオマーカー
• Authors: Sangwon Baek, Seung Jun Lee
• Abstract要約: 本研究では,細菌の予測モデルを最適化するために,実験室バイオマーカーの予測力を評価した。 真菌血症48例の計218例について検討した。
• 参考スコア（独自算出の注目度）: 7.152311859951986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few studies have investigated the diagnostic utilities of biomarkers for predicting bacteremia among septic patients admitted to intensive care units (ICU). Therefore, this study evaluated the prediction power of laboratory biomarkers to utilize those markers with high performance to optimize the predictive model for bacteremia. This retrospective cross-sectional study was conducted at the ICU department of Gyeongsang National University Changwon Hospital in 2019. Adult patients qualifying SEPSIS-3 (increase in sequential organ failure score greater than or equal to 2) criteria with at least two sets of blood culture were selected. Collected data was initially analyzed independently to identify the significant predictors, which was then used to build the multivariable logistic regression (MLR) model. A total of 218 patients with 48 cases of true bacteremia were analyzed in this research. Both CRP and PCT showed a substantial area under the curve (AUC) value for discriminating bacteremia among septic patients (0.757 and 0.845, respectively). To further enhance the predictive accuracy, we combined PCT, bilirubin, neutrophil lymphocyte ratio (NLR), platelets, lactic acid, erythrocyte sedimentation rate (ESR), and Glasgow Coma Scale (GCS) score to build the predictive model with an AUC of 0.907 (95% CI, 0.843 to 0.956). In addition, a high association between bacteremia and mortality rate was discovered through the survival analysis (0.004). While PCT is certainly a useful index for distinguishing patients with and without bacteremia by itself, our MLR model indicates that the accuracy of bacteremia prediction substantially improves by the combined use of PCT, bilirubin, NLR, platelets, lactic acid, ESR, and GCS score.
• Abstract（参考訳）: 集中治療室(icu)に入院した敗血症患者の細菌血症予測のためのバイオマーカーの診断的有用性についての研究はほとんどない。 そこで本研究では,これらのマーカーを高性能に利用し,細菌の予測モデルを最適化する実験室バイオマーカーの予測力を評価した。 この回顧的横断研究は、2019年に慶尚国立大学チャンウォン病院のicu部門で実施された。 血液培養の少なくとも2セットの基準であるsepsis-3(シーケンシャルな臓器不全スコアの上昇)を満たした成人患者を選定した。 収集されたデータは最初、重要な予測要因を特定するために独立に分析され、その後多変量ロジスティック回帰(mlr)モデルの構築に使用された。 真菌血症48例の計218例について検討した。 敗血症患者(それぞれ0.757例, 0.845例)は, crp, pctともにauc値以下で菌血症を鑑別できた。 予測精度を高めるため,PCT,ビリルビン,好中球リンパ球比 (NLR), 血小板, 乳酸, 赤血球沈着速度 (ESR), グラスゴー・コマ・スケール (GCS) を併用し, AUC 0.907 (95% CI,0.843～0.956) の予測モデルを構築した。 また, 生存分析(0.004)により, 細菌性貧血と死亡率の相関が認められた。 MLRモデルでは,PCT,ビリルビン,NLR,血小板,乳酸,ESR,GCSの併用により,バクテラン血症予測の精度が著しく向上することが示唆された。

関連論文リスト

• CardioLab: Laboratory Values Estimation and Monitoring from Electrocardiogram Signals -- A Multimodal Deep Learning Approach [1.068128849363198]
  我々はMIMIC-IVデータセットを用いてマルチモーダル深層学習モデルを構築し、推定(リアルタイム)と監視(将来の間隔での予測)実験値異常の可能性を示す。 AUROCスコアが0.70を超え、23の実験室値と26の観測室値に対して統計的に有意な精度で予測性能を示す。
  論文  参考訳（メタデータ） (2024-11-22T12:10:03Z)
• Phenome-wide causal proteomics enhance systemic lupus erythematosus flare prediction: A study in Asian populations [8.003585790309332]
  全身性エリテマトーデス(Systemic lupus erythematosus, SLE)は、予測不能フレアを特徴とする複雑な自己免疫疾患である。 本研究は,アジア系SLE人口を対象とした新しいループに基づくリスク予測モデルの構築を目的とする。
  論文  参考訳（メタデータ） (2024-11-18T01:50:36Z)
• Diagnostic Performance of Deep Learning for Predicting Gliomas' IDH and 1p/19q Status in MRI: A Systematic Review and Meta-Analysis [0.0]
  グリオーマは最も一般的な脳腫瘍である。 分子プロファイリングは診断、治療、予後に重要である。 本稿では,MRIを用いた深層学習モデルによるバイオマーカーの予測の有効性について検討する。
  論文  参考訳（メタデータ） (2024-10-28T13:39:52Z)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Regression-based Deep-Learning predicts molecular biomarkers from pathology slides [40.24757332810004]
  我々は,画像から直接バイオマーカーを予測する自己監督型弱教師付き回帰手法を開発し,評価した。 回帰を用いて、バイオマーカー予測の精度を著しく向上させ、また、分類よりも結果の解釈可能性を向上させる。 我々のオープンソースレグレッションアプローチは、計算病理学における連続バイオマーカー解析に有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2023-04-11T11:43:51Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Predicting Axillary Lymph Node Metastasis in Early Breast Cancer Using Deep Learning on Primary Tumor Biopsy Slides [17.564585510792227]
  深達度学習(DL)に基づく原発性腫瘍生検シグネチャを作製し,扁平上皮リンパ節(ALN)の転移を予測した。 2010年5月から2020年8月までに約1,058人のEBC患者がALNと診断された。
  論文  参考訳（メタデータ） (2021-12-04T02:23:18Z)
• Prediction of Blood Lactate Values in Critically Ill Patients: A Retrospective Multi-center Cohort Study [1.5239522480830854]
  早期に得られた血清乳酸濃度の上昇は、重症患者の死亡率の強力な予測因子である。 機械学習モデルがその後の乳酸血清の変化を予測できるかどうかを検討した。 LSTMモデルはMIMIC-III患者の血清乳酸値の低下を予測できた。
  論文  参考訳（メタデータ） (2021-07-07T09:46:47Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。