相关实验视频

Updated: Feb 28, 2026

A Data-Driven Approach to Quantifying Immune States in Sepsis

A Data-Driven Approach to Quantifying Immune States in Sepsis

Published on: February 7, 2025

机器学习分析s-EASIX用于预测MIMIC-IV毒症患者的30天死亡率

Zhenghui Kong^1,2,3, Yuwei Liu^1,3,4, Huilong Chen^1,3,5

¹The Fifth Clinical College of Guangzhou University of Chinese Medicine, Guangzhou University of Chinese Medicine, Guangzhou, 510006, Guangdong, China.

Scientific reports

|February 25, 2026

概括

持续的内皮功能障碍,通过简化内皮激活和压力指数 (s-EASIX) 轨迹来衡量,显著增加了败血症患者的30天死亡风险. 监测s-EASIX动态有助于败血症预后和早期干预.

科学领域:

关键护理医学关键护理医学
血管生物学血管生物学
生物统计学生物统计学

背景情况:

内皮功能障碍是败血症进展的关键因素.
简化内皮细胞激活和应激指数 (s-EASIX) 间接测量内皮细胞激活.
在败血症中的动态s-EASIX变化的预后影响仍然不清楚.

研究的目的:

调查s-EASIX轨迹定义的临床亚现象类型与败血症患者30天死亡率之间的关联.
评估不同s-EASIX动态模式的预后值.
使用s-EASIX开发和验证用于败血症风险分层的机器学习模型.

主要方法:

来自MIMIC-IV v3.1数据库的8113名败血症患者的回顾性队列分析.
使用聚类识别五个不同的s-EASIX轨迹.
通过卡普兰-梅尔曲线,多变量考克斯回归和子组分析进行预测评估.
机器学习模型开发 (LightGBM) 使用SHAP值分析进行可解释性.

主要成果:

确定了五个s-EASIX轨迹类.
增加 (第4类) 和高缓慢下降 (第5类) s-EASIX轨迹与显著更高的30天死亡率相关 (HR分别为1.79和2.53).
高风险轨迹在调整混因子后保持了独立的预后值 (HR 2.53-5.95).
轻GBM模型表现出强大的预测性能 (AUC 0.842).
通过SHAP分析,s-EASIX轨迹被确定为核心预测变量.

结论:

s-EASIX的动态模式,特别是增加的轨迹,与败血症的30天死亡率升高相关.
由s-EASIX轨迹表明的持续性内皮功能障碍与较差的败血症预后有关.
结合s-EASIX轨迹的机器学习模型为败血症风险分层和指导早期干预提供了可靠的工具.

关键词:

内皮细胞激活和压力指数内皮质功能障碍内皮质功能障碍败血症这是一种败血症.运行轨迹的分析

相关概念视频

Steps in Outbreak Investigation

Steps in Outbreak Investigation

In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis: