مقالة بحثية

نموذج الألبومين والتعلم الآلي للتنبؤ بالوفيات الشاملة خلال 28 يوما لدى مرضى العناية المركزة المصابين بسرطان الرئة

DOI:

10.3791/70067

⸱

أبريل 3, 2026

 ,  ,  ,  ,  ,  , 
1Department of Pathology, Wangjing Hospital of China Academy of Chinese Medical Sciences, 2Department of Respiratory Medicine, The First Affiliated Hospital of Zhengzhou University

* These authors contributed equally

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يوضح هذا البروتوكول استخراج بيانات العناية المركزة السريرية من قاعدة بيانات MIMIC-IV والتطبيق التدريجي لتحليل البقاء ونماذج التعلم الآلي القابلة للتفسير لتقييم ألبومين المصل كمؤشر على وفيات 28 يوما لدى مرضى سرطان الرئة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعكس الألبومين في المصل الحالة الغذائية، والالتهاب الجهازي، وعبء الأمراض. ومع ذلك، لا تزال أهميته التنبؤية في المرضى المصابين بسرطان الرئة غير واضحة. هدفت هذه الدراسة إلى دراسة العلاقة بين الألبومين المصلي والوفيات الشاملة خلال 28 يوما في مرضى العناية المركزة المصابين بسرطان الرئة، وتقييم قيمته التنبؤية في نماذج التعلم الآلي (ML). شملت هذه الدراسة الجماعية الاستعادية 1,274 مريضا بالغين في العناية المركزة المصابين بسرطان الرئة من قاعدة بيانات Medical Information Mart for Intensive Care IV (MIMIC-IV). قامت نماذج Cox متعددة المتغيرات بالمخاطر النسبية بتقييم العلاقة بين الألبومين في المصل ومعدل الوفيات خلال 28 يوما. شملت تحليلات إضافية خطوط مكعبة محدودة، منحنيات بقاء كابلان–ماير، وتحليلات المجموعات الفرعية. تم تطوير مصنفات ML باستخدام عامل الانكماش والاختيار المطلق الأدنى (LASSO) وBoruta لاختيار الميزات. تم اختيار الانحدار اللوجستي كنموذج مثالي، مع استخدام قيم تفسيرات شابلي الإضافية (SHAP) للتفسير. من بين 1,274 مريضا، بلغ معدل الوفيات خلال 28 يوما 26.9٪. ارتبطت مستويات الألبومين المنخفضة في المصل بشكل مستقل بارتفاع معدل الوفيات خلال 28 يوما. كانت نسبة الخطر لكل زيادة 1 جم/ديسيلتر في ألبومين المصل 0.729 (فاصل الثقة 95٪، 0.597–0.891؛ p = 0.002). لوحظ ارتباط عكسي عبر أرباع الألبومين في المصل (p للاتجاه <0.001)، وأظهر تحليل كابلان-ماير وفيات أقل بين المرضى الذين لديهم ألبومين ≥2.9 جم/ديسيلتر (اللوغاريتمية p < 0.0001). حقق نموذج الانحدار اللوجستي AUC قدره 0.767 في مجموعة التحقق، مما يشير إلى تمييز ومعايرة جيدين. حدد تحليل شاب الألبومين في المصل كمؤشر رئيسي للوفيات خلال 28 يوما. ارتبط انخفاض الألبومين في المصل بشكل مستقل بزيادة الوفيات قصيرة المدى لدى مرضى العناية المركزة المصابين بسرطان الرئة. قد يكون الألبومين المصلي مؤشرا حيويا عمليا لتصنيف المخاطر المبكر في هذه المجموعة. أظهرت نماذج التعلم الآلي التي تدمج الألبومين أداء تنبؤيا قويا وقابلية للتفسير.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لا يزال سرطان الرئة من بين أكثر أشكال الأورام الخبيثة شيوعا وفتكا في العالم. وفقا لتقرير المرصد العالمي للسرطان (GLOBOCAN 2020)، يمثل سرطان الرئة حوالي 11.4٪ من جميع حالات السرطان الجديدة ويظل السبب الرئيسي للوفيات المرتبطة بالسرطان، ويساهم في حوالي 18٪ من وفيات السرطان حول العالم1. على الرغم من إحراز تقدم كبير في تقنيات التشخيص المبكرة، وبرامج العلاج الكيميائي، وأساليب العلاج المستهدفة، إلا أن معدل البقاء على قيد الحياة لمدة 5 سنوات لسرطان الرئة لا يزال أقل من 20٪، ويرجع ذلك أساسا إلى ظاهره في مراحله المتأخرة وطبيعته العدوانية عالية2.

يحتاج عدد كبير من الأشخاص الذين تم تشخيصهم بسرطان الرئة إلى دخول وحدة العناية المركزة (ICU) طوال مسار مرضهم، وغالبا بسبب مضاعفات مثل الضيق التنفسي الحاد، أو الالتهابات الشديدة، أو النزيف، والتي قد تنشأ إما عن تقدم السرطان أو الآثار الجانبية المرتبطة بالعلاج. بين هذه المجموعة من المرضى، يرتبط دخول العناية المركزة بقوة بتوقعات قصيرة المدى السيئ، حيث تتراوح معدلات الوفيات المبلغ عنها خلال 28 يوما بين 30٪ و60٪، متجاوزة بشكل كبير تلك التي لوحظت في سكان العناية المركزة الأوسع3. في مجموعات العناية المركزة السابقة من مرضى سرطان الرئة، كانت الحالات المصاحبة شائعة بشكل كبير، حيث تم الإبلاغ عن ارتفاع ضغط الدم والسكري في حوالي 46.1٪ و37.9٪ من المرضى على التوالي. بالإضافة إلى ذلك، يظهر ما يقرب من نصف هؤلاء المرضى مع إعاقة وظيفية متوسطة إلى شديدة (45.6٪)، مما قد يعقد إدارة وحدة العناية المركزة ويساهم في نتائج ضعيفة قصيرة المدى4. رعاية مرضى سرطان الرئة في بيئة العناية المركزة تتضمن تعقيدات علاجية كبيرة. غالبا ما يتطلب اتخاذ القرار السريري لهؤلاء المرضى تقييمات دقيقة تتعلق ببدء التنفس الميكانيكي، وإعطاء مثبطات الأوعية الدموية، واستخدام مضادات حيوية واسعة الطيف، وكل ذلك يجب أخذه في الاعتبار ضمن إطار سرطان أساسي يظهر عادة إمكانيات محدودة للعكس. هناك عدة عوامل تكمن وراء زيادة قابليتهم للوفاة المبكرة، مثل تقدم الورم الواسع، والاستجابات الالتهابية الجهازية المستمرة، وتدهور وظائف الأعضاء، ونقص في التغذية5. غالبا ما يحدد نقص الألبومين كأحد العوامل السريرية الرئيسية المرتبطة بالوفيات المبكرة في هذه الفئة المرضية. يعمل ألبومين المصل كمؤشر يعكس كل من سوء التغذية المزمن الناتج عن الجش المرتبط بالسرطان والاستجابات الالتهابية الجهازية الحادة أثناء المرض الحرج، مما قد يوفر معلومات تنبؤية مهمة6. على الرغم من أن ألبومين المصل يقاس بشكل روتيني في الممارسة السريرية، إلا أن قيمته التنبؤية لم تتم التحقيق بشكل كامل في مرضى سرطان الرئة المقبولين في العناية المركزة، وهو غائب إلى حد كبير في أدوات التنبؤ بالمخاطر الحالية7. وبالنظر إلى ارتفاع الوفيات قصيرة الأجل وتعقيد الإدارة في هذا السياق السريري، هناك حاجة ملحة إلى مؤشرات حيوية عملية وسهلة الحصول عليها لتسهيل تقييم المخاطر المبكر وتوجيه قرارات العلاج. في ظل هذا السياق، يستحق الألبومين المصلي مزيدا من البحث لتوضيح أهميته التنبؤية لدى المرضى الحرجين المصابين بسرطان الرئة 8,9,10.

نظرا للخصائص المعقدة والمترابطة لعوامل الخطر المرتبطة بالسرطان، تواجه الأساليب الإحصائية التقليدية غالبا تحديات في نمذجة الارتباطات غير الخطية الجوهرية المدمجة ضمن مجموعات البيانات السريرية عالية الأبعاد بشكل فعال. أدى ظهور منهجيات التعلم الآلي (ML) إلى تقديم طرق جديدة لتحسين التنبؤ بمخاطر السرطان. اكتسبت تقنيات مثل الغابة العشوائية (RF)، وتعزيز التدرج الأقصى (XGBoost)، وآلة التوجيه الداعمة (SVM) تطبيقا واسعا في التحقيقات الطبية الحيوية، حيث أظهرت قدرات قوية في إدارة أنماط البيانات المعقدة وتقديم دقة تنبؤية متفوقة11,12. ومع ذلك، فإن خصائص هذه النماذج المعتمة أو الصندوق الأسود تحد من قابليتها للتفسير وتعيق دمجها في البيئات السريرية. لتجاوز هذا العيب (STEM)، تم تقديم طريقة شبالي المضافة (SHAP)، وهي طريقة قائمة على نظرية الألعاب، كأداة قوية لتحسين شفافية النموذج13. من خلال حساب قيم شابلي لكل ميزة، يقوم SHAP بقياس تأثير المتغيرات المحددة على مخرجات النموذج بشكل فعال، مما يعزز كل من قابلية التفسير والموثوقية14. شهد هذا النهج تبنيا متزايدا في البحث الطبي الحيوي كوسيلة لتعزيز التطبيق السريري للنماذج القائمة على التعلم الآلي.

وبالنظر إلى هذه العوامل، صممت هذه الدراسة لاستكشاف الأهمية التنبؤية لألبومين المصلي بين الأفراد المصابين بأمراض خطيرة مشخصين بسرطان الرئة، باستخدام المعلومات السريرية المستمدة من قاعدة بيانات Medical Information Mart for Intensive Care IV (MIMIC-IV). لتحقيق هذا الهدف، استخدمنا كل من التحليلات الإحصائية التقليدية وطرق التعلم الآلي. حسب علمنا، لم تدرس الدراسات الألبومين في المصل كعامل تنبؤي مستقل ومساهم قابل للتفسير سريريا ضمن نماذج التعلم الآلي، وبشكل خاص لدى مرضى العناية المركزة المصابين بسرطان الرئة15. ركزت معظم الدراسات القائمة إما على مجموعات العناية المركزة العامة أو مجموعات الأورام غير التابعة لوحدة العناية المركزة، في حين أن نماذج التنبؤ القائمة على التعلم الآلي لدى مرضى السرطان الحرجين ركزت إلى حد كبير على الأداء التنبؤي دون تقييم المساهمة السريرية للمؤشرات الحيوية الفردية بشكل صريح.16.

في هذا السياق، تدمج الدراسة الحالية تحليل البقاء التقليدي مع أساليب التعلم الآلي والتفسير القائم على نظام SHAP لتوضيح العلاقة بين الألبومين المصلي والوفيات الشاملة خلال 28 يوما، ولقياس أهميته النسبية ضمن إطار توقع قابل للتفسير مخصص لهذه الفئة عالية الخطورة. في البداية، تم تطبيق نماذج المخاطر النسبية متعددة المتغيرات لكوكس لتقييم العلاقة المستقلة بين مستويات الألبومين في المصل والوفيات الشاملة خلال 28 يوما، مع تعديلات للعوامل المشتبكة ذات الصلة. في الوقت نفسه، تم بناء نماذج تنبؤية باستخدام خوارزميات التعلم الآلي لتحديد المحددات التنبؤية الرئيسية وفحص المساهمة المحددة لألبومين المصل في القدرة التنبؤية العامة. تم التركيز بشكل خاص على تحسين قابلية تفسير النماذج من خلال استخدام تقنية SHAP، مما يسمح بقياس تأثير الألبومين المصلي مقارنة بالميزات السريرية الأخرى. من خلال دمج الألبومين في المصل إلى جانب المؤشرات السريرية التي يتم جمعها بشكل روتيني، يسعى هذا التحقيق إلى إنشاء أداة قوية وقابلة للتفسير لتصنيف المخاطر لتعزيز اتخاذ القرار السريري المبكر وتمكين رعاية فردية لهذه الدفعة عالية الخطورة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الوصول إلى قواعد البيانات وبيئة البرمجيات
الحصول على وصول مصرح به إلى قاعدة بيانات مركز المعلومات الطبية للرعاية المركزة IV (MIMIC-IV، الإصدار 3.1) بعد إكمال التدريب المطلوب حول استخدام البيانات الأخلاقية (معرف الشهادة: 69002811). وفقا لإجراءات المراجعة الأخلاقية لعلوم الحياة والأبحاث الطبية التي تشمل البشر (18 فبراير 2023، الصين)، تنص المادة 32 على أن البحث الذي يستخدم بيانات عامة تم الحصول عليها قانونيا، أو بيانات تم إنشاؤها دون التدخل في سلوك الجمهور، أو معلومات مجهولة الهوية معفى من مراجعة الأخلاقيات. تماشيا مع هذه الأحكام، تم إعفاء هذه الدراسة من الموافقة الأخلاقية المؤسسية. تم اتباع بروتوكول استخدام البيانات والإرشادات الأخلاقية بدقة، وأجريت الدراسة لأغراض البحث العلمي فقط. قم بإعداد بيئة قاعدة البيانات باستخدام PostgreSQL (الإصدار 17.1.11). استخدم Navicat Premium (الإصدار 17) كواجهة لإدارة قواعد البيانات والاستعلام لتشغيل استعلامات SQL وتصدير مجموعات البيانات المستخرجة للتحليل.

اختيار المرضى
تحديد مرضى سرطان الرئة في MIMIC-IV باستخدام رموز التصنيف الدولي للأمراض، المراجعة التاسعة والعاشرة (ICD-9 و ICD-10)17. تطبيق معايير الاستبعاد التالية بالتسلسل: العمر <18 سنة أو >90 سنة؛ غياب قياسات الألبومين في المصل خلال أول 24 ساعة من دخول وحدة العناية المركزة؛ دخول متعدد إلى وحدة العناية المركزة أو المستشفيات؛ مدة الإقامة في وحدة العناية المركزة <24 ساعة.

استخراج المتغيرات
استخلاص المتغيرات من MIMIC-IV (الإصدار 3.1) باستخدام PostgreSQL (الإصدار 17.1.11) عبر Navicat Premium (الإصدار 17)، بما في ذلك: التركيبة السكانية، العلامات الحيوية، الفحوصات المخبرية، الأمراض المصاحبة، التدخلات العلاجية، درجات الشدة، والنتائج. التركيبة السكانية: العمر، الجنس. العلامات الحيوية خلال أول 24 ساعة بعد دخول العناية المركزة: معدل ضربات القلب (HR)، معدل التنفس (RR)، تشبع الأكسجين (SpO₂)، ودرجة الحرارة. المتغيرات المخبرية خلال أول 24 ساعة: ألبومين المصل، الجلوكوز، الكرياتينين، نيتروجين اليوريا، البيليروبين الكلي، الهيموغلوبين، عدد خلايا الدم الحمراء (RBC)، عدد خلايا الدم البيضاء (WBC)، عدد الصفائح الدموية، عرض توزيع خلايا الدم الحمراء (RDW)، إنزيم ألينين أمينوترانسفيراز (ALT)، إنزيم الأسبارتات أمينوترانسفيراز (AST)، زمن البروثرومبين (PT)، الكالسيوم، البوتاسيوم، الصوديوم، الكلوريد. الأمراض المصاحبة من السجلات التشخيصية: ارتفاع ضغط الدم، تليف الكبد، أمراض الكلى المزمنة، مرض السكري العضلي، التهاب الشعب الهوائية المزمن، فشل القلب الاحتقاني، ومرض انسداد الرئة المزمن (COPD). درجات الشدة عند دخول وحدة العناية المركزة: تقييم فشل الأعضاء المتسلسل (SOFA)، درجة الفسيولوجيا الحادة المبسطة II (SAPS II)، مؤشر الأمراض المصاحبة لتشارلسون، الفسيولوجيا الحادة وتقييم الصحة المزمنة II (APACHE II). التدخلات العلاجية: الكورتيكوستيرويدات الجهازية، المضادات الحيوية، المثبطات الوعائية. عامل نمط الحياة: تاريخ التدخين. لجميع المتغيرات المخبرية ودرجات الشدة خلال أول 24 ساعة، إذا توفرت عدة قياسات، احسب القيمة المتوسطةعبر اليوم الأول واستخدم هذه القيمة للتحليل. استبعد المتغيرات التي تحتوي على بيانات مفقودة تزيد عن 20٪. بالنسبة للمتغيرات التي تحتوي على غياب ≤20٪، قم بإجراء النسبة باستخدام خوارزمية missForest، وهي طريقة تعلم آلي عشوائية قائمة على الغابات للتعامل مع البيانات السريرية المختلطة الأنواع. يتم توفير نسبة البيانات المفقودة للمتغيرات الرئيسية في الجدول التكميلي 1.

تعريف النتائج
حدد النتيجة الأساسية بأنها الوفاة الشاملة خلال 28 يوما بعد دخول وحدة العناية المركزة. تحقق من حالة الوفاة باستخدام سجلات الوفاة المتوفرة في قاعدة بيانات MIMIC-IV. تصنيف المرضى كناجين أو غير ناجين بناء على حالة الوفيات خلال 28 يوما.

التحليل الإحصائي
تقييم توزيع المتغيرات المستمرة باستخدام اختبار شابيرو-ويلك. قارن المتغيرات الموزعة بشكل طبيعي باستخدام اختبار t لستودنت والمتغيرات غير الموزعة بشكل طبيعي باستخدام اختبار ويلكوكسون لمجموع الرتب. قارن المتغيرات الفئوية باستخدام اختبار كاي تربيع. إجراء انحدار أقل انكماش مطلق وعامل اختيار (LASSO) مع التحقق المتقاطع 10 أضعاف لاختيار المتغيرات المرشحة وتقليل التعددية. بناء نماذج مخاطر كوكس النسبية متعددة المتغيرات لتقييم العلاقة المستقلة بين الألبومين المصلي والوفيات خلال 28 يوما. تم إدخال ألبومين المصل كمتغير مستمر وتصنيفي، وتم تضمين المتغيرات التفاضلية التي تم اختيارها بواسطة انحدار LASSO للتعديل. تم تقدير نسب المخاطر (HRs) وفترات الثقة 95٪ (CIs). استكشف الارتباطات غير الخطية باستخدام تحليل المنحنات المكعبة المقيدة (RCS). تم وضع العقد عند نسب مئوية محددة مسبقا لتوزيع الألبومين، وتم تقييم اللاخطية من خلال اختبار مصطلحات الشوب. توليد منحنيات بقاء كابلان–ماير وقارن توزيعات البقاء باستخدام اختبار الترتيب اللوغاريتمي.

تطوير نموذج التعلم الآلي والتحقق من صحته
قسم مجموعة البيانات على مستوى المريض عشوائيا إلى مجموعة تدريب (70٪)، مجموعة تحقق (15٪)، ومجموعة اختبار مستقلة (15٪). قم باختيار الميزات باستخدام مجموعة التدريب فقط عن طريق تحديد تقاطع المتغيرات التي تم اختيارها بواسطة انحدار LASSO وخوارزمية بوروتا، لضمان الاحتفاظ بالمتنبئين المستقرين وذوي الصلة فقط. درب ثمانية مصنفات تعلم آلي على مجموعة التدريب، بما في ذلك الانحدار اللوجستي، الغابة العشوائية، شجرة القرار، آلة الدعم، XGBoost، LightGBM، باي الساذج المكملم، ومصنف المتجه الداعم. تم تقييم أداء النموذج أولا في مجموعة التحقق ثم تم تأكيده لاحقا في مجموعة الاختبار المستقلة باستخدام دقة AUC-ROC، AUC-PR، الدقة، الحساسية، النوعية، منحنيات المعايرة، تحليل منحنيات القرار، ومنحنيات التعلم.

تفسير النموذج والنهاية
تحديد أفضل نموذج تعلم آلي أداء بناء على مقاييس الأداء للتحقق من الصحة. تطبيق تفسيرات شابلي الإضافية (SHAP) لقياس مساهمة كل ميزة في التنبؤ بالوفيات. قم بإنشاء ملخصات SHAP ومخططات الاعتماد لتصور الأهمية النسبية والاتجاهية لألبومين المصل وغيره من المتنبئات. أكمل التحليل من خلال دمج نتائج إحصائية ونتائج التعلم الآلي لوضع إطار تفسير لتصنيف المخاطر المحتمل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الخصائص الأساسية
تم تحديد واستخراج 1,274 مريضا مصابين بسرطان الرئة من قاعدة بيانات MIMIC-IV (الشكل 1). كان متوسط عمر المجموعة 69 سنة (معدل الذكور: 61–77)، وكان 51.18٪ من الذكور. بشكل عام، توفي 343 مريضا (26.92٪) خلال 28 يوما من دخوله العناية المركزة. تعرض الجدول 1 خصائص الأساس المرتبة حسب حالة البقاء لمدة 28 يوما. مقارنة بالناجين، أظهر غير الناجين شدة مرض أعلى بشكل ملحوظ، كما يتضح من ارتفاع مؤشر APACHE II، ومؤشر تشارلسون ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في هذه الدراسة، فحصنا العلاقة بين مستويات الألبومين في المصل والوفيات الشاملة خلال 28 يوما بين مرضى العناية المركزة المصابين بسرطان الرئة، باستخدام بيانات من قاعدة بيانات MIMIC-IV. ارتبطت مستويات الألبومين المنخفضة في المصل بشكل مستقل بزيادة خطر الوفيات خلال 28 يوما، حتى بعد التعديل لمجموعة واسعة من المتغيرات السريرية. ظل هذا الارتباط متسقا عبر عدة مناهج تحليلية، بما في ذلك نماذج Cox للمخاطر النسبية وطرق التعلم الآلي. أظهرت تحليلات المجموعات الفرعية استقرار هذا الارتباط عبر الطبقات ذات ا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون عدم وجود مصالح متنافسة.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نحن نقدر بصدق المساهمات الكبيرة التي قدمها جميع المؤلفين في هذه الدراسة؛ لقد كانت جهودهم القيمة أساسية في نجاحه. تم تمويل هذا البحث من قبل المؤسسة الوطنية للعلوم الطبيعية في الصين (82174415، 82405441)، ومشروع الابتكار العلمي والتكنولوجيا التابع للأكاديمية الصينية للطب الصيني التقليدي (CI2021A01818، C12021A03307، C12021A05054)، ومشروع بناء مستشفى الطب الصيني التقليدي عالي المستوى في مستشفى وانغجينغ، ومشروع البحث السريري القائم على الأدلة الخاص بالأكاديمية الصينية للعلوم الطبية الصينية للطب الصيني (WJYY-XZKT-2023-2025).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
قاعدة بيانات Medical Information Mart for Intensive Care IV (MIMIC-IV)معهد ماساتشوستس للتكنولوجياhttp: //mimic.physionet.org/
Navicat Premium (v17)PremiumSoft CyberTech Ltd.
PostgreSQL (v17.1.11)مجموعة تطوير PostgreSQL العالمية
Python (v3.10)مؤسسة برمجيات Python
R Statistical Software (v4.2.3)R Foundation for Statistical Computing
SHapley Additive exPlanations (SHAP)برنامج مفتوح المصدر

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Li, C., et al. Global burden and trends of lung cancer incidence and mortality. Chin Med J (Engl). 136 (13), 1583-1590 (2023).
  2. Leiter, A., Veluswamy, R. R., Wisnivesky, J. P. The global burden of lung cancer: current status and future trends. Nat Rev Clin Oncol. 20 (9), 624-639 (2023).
  3. Park, J., Kim, W. J., Hong, J. Y., Hong, Y. Clinical outcomes in patients with lung cancer admitted to intensive care units. Ann Transl Med. 9 (10), 836 (2021).
  4. Al-Dorzi, H. M., Atham, S., Khayat, F., Alkhunein, J., Alharbi, B. T., et al. Characteristics, management, and outcomes of patients with lung cancer admitted to a tertiary care intensive care unit over more than 20 years. Ann Thorac Med. 19 (3), 208-215 (2024).
  5. Elkhapery, A., Taifour, H., Niu, C., Soubani, A. O. Prognosis of Patients with Lung Cancer Admitted to the Intensive Care Unit: A Systematic Review and Meta-Analysis. J Intens Care Med. , 8850666251339451 (2025).
  6. Quinlan, G. J., Martin, G. S., Evans, T. W. Albumin: biochemical properties and therapeutic potential. Hepatology (Baltimore, Md). 41 (6), 1211-1219 (2005).
  7. Gradel, K. O. Interpretations of the Role of Plasma Albumin in Prognostic Indices: A Literature Review. J Clin Med. 12 (19), 6132 (2023).
  8. Dusseaux, M. M., et al. Skeletal muscle mass and adipose tissue alteration in critically ill patients. PloS one. 14 (6), e0216991 (2019).
  9. Oster, H. S., et al. Serum Hypoalbuminemia Is a Long-Term Prognostic Marker in Medical Hospitalized Patients, Irrespective of the Underlying Disease. J Clin Med. 11 (5), 1207 (2022).
  10. Manolis, A. A., et al. Low serum albumin: A neglected predictor in patients with cardiovascular disease. Eur J Intern Med. 102, 24-39 (2022).
  11. Handelman, G. S., et al. eDoctor: machine learning and the future of medicine. J Intern Med. 284 (6), 603-619 (2018).
  12. Alber, M., Buganza Tepole, A., Cannon, W. R., De, S., Dura-Bernal, S., et al. Integrating machine learning and multiscale modeling-perspectives, challenges, and opportunities in the biological, biomedical, and behavioral sciences. NPJ Digital Medicine. 2 (1), 115 (2019).
  13. Li, X., et al. Interpretable prediction of 30-day mortality in patients with acute pancreatitis based on machine learning and SHAP. BMC Med Info Decision Making. 24 (1), 328 (2024).
  14. Ye, Z., et al. The prediction of in-hospital mortality in chronic kidney disease patients with coronary artery disease using machine learning models. Eur J Med Res. 28 (1), 33 (2023).
  15. Sun, H., et al. Machine Learning for Predicting Mortality in Intensive Care Unit Patients: A Prognostic Performance Systematic Review and Meta-Analysis. Nurs Crit Care. 30 (6), e70206 (2025).
  16. Rabi, R., et al. The role of serum albumin in critical illness, predicting poor outcomes, and exploring the therapeutic potential of albumin supplementation. Sci Prog. 107 (3), 36 (2024).
  17. Fang, C., et al. Factors linked to lung cancer in MIMIC-IV database. J Thorac Dis. 17 (5), 2765-2777 (2025).
  18. Fanali, G., et al. Human serum albumin: from bench to bedside. Mol Aspects Med. 33 (3), 209-290 (2012).
  19. Yuan, Z. N., et al. A predictive model for hospital death in cancer patients with acute pulmonary embolism using XGBoost machine learning and SHAP interpretation. Sci Re. 15 (1), 18 (2025).
  20. Wiedermann, C. J. Hypoalbuminemia as Surrogate and Culprit of Infections. Int J Mol Sci. 22 (9), 4496 (2021).
  21. Gatta, A., Verardo, A., Bolognesi, M. Hypoalbuminemia. Intern Emerg Med. 7 (Suppl 3), S193-S199 (2012).
  22. Folsom, A. R., Lutsey, P. L., Heckbert, S. R., Cushman, M. Serum albumin and risk of venous thromboembolism. Thrombosis and haemostasis. 104 (1), 100-104 (2010).
  23. Nazha, B., et al. Hypoalbuminemia in colorectal cancer prognosis: Nutritional marker or inflammatory surrogate?. World J Gastrointest Surg. 7 (12), 370-377 (2015).
  24. Fujii, T., et al. Implications of Low Serum Albumin as a Prognostic Factor of Long-term Outcomes in Patients With Breast Cancer. In vivo (Athens, Greece). 34 (4), 2033-2036 (2020).
  25. Sirott, M. N., et al. Prognostic factors in patients with metastatic malignant melanoma. A multivariate analysis. Cancer. 72 (10), 3091-3098 (1993).
  26. Siddiqui, A., Heinzerling, J., Livingston, E. H., Huerta, S. Predictors of early mortality in veteran patients with pancreatic cancer. Am J Surg. 194 (3), 362-366 (2007).
  27. Lis, C. G., Grutsch, J. F., Vashi, P. G., Lammersfeld, C. A. Is serum albumin an independent predictor of survival in patients with breast cancer?. JPEN J Parenteral Enteral Nutr. 27 (1), 10-15 (2003).
  28. Guo, Y., et al. Serum Albumin: Early Prognostic Marker of Benefit for Immune Checkpoint Inhibitor Monotherapy But Not Chemoimmunotherapy. Clin Lung Cancer. 23 (4), 345-355 (2022).
  29. Bernardi, M., et al. Albumin in decompensated cirrhosis: new concepts and perspectives. Gut. 69 (6), 1127-1138 (2020).
  30. Keller, U. Nutritional Laboratory Markers in Malnutrition. J Clin Med. 8 (6), 775 (2019).
  31. Johnson, A. M. Low levels of plasma proteins: malnutrition or inflammation?. Clin Chem Lab Med. 37 (2), 91-96 (1999).
  32. Roche, M., et al. The antioxidant properties of serum albumin. FEBS Lett. 582 (13), 1783-1787 (2008).
  33. Zhang, C. L., et al. Research progress and value of albumin-related inflammatory markers in the prognosis of non-small cell lung cancer: a review of clinical evidence. Ann Med. 55, (2023).
  34. Arif, S. K., Verheij, J., Groeneveld, A. B., Raijmakers, P. G. Hypoproteinemia as a marker of acute respiratory distress syndrome in critically ill patients with pulmonary edema. Intensive Care Med. 28 (3), 310-317 (2002).
  35. Komáromi, A., et al. Simultaneous assessment of the synthesis rate and transcapillary escape rate of albumin in inflammation and surgery. Crit Care (London, England). 20 (1), (2016).
  36. Tanaka, T., Narazaki, M., Kishimoto, T. IL-6 in inflammation, immunity, and disease. Cold Spring Harbor Persp Biol. 6 (10), a016295 (2014).
  37. Fleck, A., et al. Increased vascular permeability: a major cause of hypoalbuminaemia in disease and injury. Lancet (London, England). 1 (8432), 781-784 (1985).
  38. McMullan, R. R., McAuley, D. F., O'Kane, C. M., Silversides, J. A. Vascular leak in sepsis: physiological basis and potential therapeutic advances. Crit Care (London, England). 28 (1), 97 (2024).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

28 SHAP

مقالات ذات صلة