Forschungsartikel

Albumin- und Machine-Learning-Modell zur Vorhersage der 28-tägigen Gesamtsterblichkeit bei Intensivpatienten mit Lungenkrebs

DOI:

10.3791/70067

⸱

3. April 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

In diesem Artikel

Zusammenfassung

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

Dieses Protokoll beschreibt die Extraktion klinischer Daten der Intensivstation aus der MIMIC-IV-Datenbank sowie die schrittweise Anwendung von Überlebensanalysen und interpretierbaren maschinellen Lernmodellen zur Bewertung von Serumalbumin als Prädiktor für die 28-tägige Sterblichkeit bei Lungenkrebspatienten.

Zusammenfassung

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

Serumalbumin spiegelt den Ernährungsstatus, die systemische Entzündung und die Krankheitsbelastung wider. Seine prognostische Bedeutung bei kritisch kranken Patienten mit Lungenkrebs bleibt jedoch unklar. Diese Studie zielte darauf ab, den Zusammenhang zwischen Serumalbumin und 28-tägiger All-Cause-Mortalität bei Patienten auf Intensivstationen (ICU) mit Lungenkrebs zu untersuchen und dessen prädiktiven Wert in Modellen des maschinellen Lernens (ML) zu bewerten. Diese retrospektive Kohortenstudie umfasste 1.274 erwachsene Intensivpatienten mit Lungenkrebs aus der Medical Information Mart for Intensive Care IV (MIMIC-IV)-Datenbank. Multivariable Cox-Proportionalhazard-Modelle untersuchten den Zusammenhang zwischen Serumalbumin und 28-Tage-Mortalität. Weitere Analysen umfassten eingeschränkte kubische Splines, Kaplan–Meier-Überlebenskurven und Untergruppenanalysen. ML-Klassifikatoren wurden unter Verwendung des Operators Least Absolute Shrinkage and Selection (LASSO) und Boruta für die Merkmalsauswahl entwickelt. Logistische Regression wurde als optimales Modell ausgewählt, wobei SHapley Additive Explanations (SHAP) Werte zur Interpretation verwendet wurden. Bei 1.274 Patienten lag die 28-Tage-Sterblichkeitsrate bei 26,9 %. Niedrigere Serumalbuminwerte standen unabhängig voneinander mit einer höheren 28-Tage-Sterblichkeit verbunden. Das Hazard Ratio für jede 1 g/dL-Erhöhung des Serumalbumins betrug 0,729 (95%-KI, 0,597–0,891; p = 0,002). Eine inverse Assoziation wurde über Serum-Albuminquartile beobachtet (p für Trend <0,001), und die Kaplan–Meier-Analyse zeigte eine geringere Mortalität bei Patienten mit Albumin ≥2,9 g/dL (Log-Rang p < 0,0001). Das logistische Regressionsmodell erreichte in der Validierungskohorte einen AUC von 0,767, was auf gute Diskriminierung und Kalibrierung hinweist. Die SHAP-Analyse identifizierte Serumalbumin als wichtigen Prädiktor für die 28-Tage-Sterblichkeit. Ein niedrigeres Serumalbumin war unabhängig mit einer erhöhten kurzfristigen Mortalität bei Intensivpatienten mit Lungenkrebs assoziiert. Serumalbumin kann als praktischer Biomarker für die frühe Risikostratifizierung in dieser Population dienen. ML-Modelle mit Albumin zeigten eine starke prädiktive Leistung und Interpretierbarkeit.

Einleitung

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

Lungenkrebs gehört weiterhin zu den häufigsten und tödlichsten Formen der Krebserkrankung weltweit. Wie vom Global Cancer Observatory (GLOBOCAN 2020) berichtet, macht Lungenkrebs etwa 11,4 % aller neu identifizierten Krebsfälle aus und bleibt die Hauptursache krebsbedingter Todesfälle, was zu etwa 18 %der Krebstodesfälle weltweit beiträgt. Obwohl bedeutende Fortschritte bei frühen diagnostischen Techniken, chemotherapeutischen Regimen und gezielten Behandlungsansätzen erzielt wurden, bleibt die Gesamtüberlebensrate von 5-Jahres-Lungenkrebs unter 20 %, was hauptsächlich auf sein spätes Auftreten und die hochaggressiveNatur zurückzuführen ist.

Eine beträchtliche Anzahl von Personen, bei denen Lungenkrebs diagnostiziert wurde, benötigt während ihres gesamten Krankheitsverlaufs eine Aufnahme auf die Intensivstation (ICU), meist infolge von Komplikationen wie akuter Atemnot, schweren Infektionen oder Blutungen, die entweder durch Krebsfortschreitung oder durch Nebenwirkungen im Zusammenhang mit der Behandlung entstehen können. Innerhalb dieser Patientengruppe steht die Aufnahme auf der Intensivstation stark im Zusammenhang mit schlechten kurzfristigen Prognosen, mit gemeldeten Sterblichkeitsraten über 28 Tagen zwischen 30 % und 60 %, die deutlich über denen der gesamten Intensivpopulation liegen3. In früheren Intensivjahrgängen von Patienten mit Lungenkrebs sind komorbide Erkrankungen sehr verbreitet, wobei bei etwa 46,1 % bzw. 37,9 % der Patienten Bluthochdruck und Diabetes berichtet wurden. Darüber hinaus weisen fast die Hälfte dieser Patienten eine moderate bis schwere funktionelle Ausgangsbehinderung (45,6 %) auf, was das Management der Intensivstation erschweren und zu schlechten kurzfristigen Ergebnissen beitragen kann4. Die Versorgung kritisch kranker Lungenkrebspatienten auf der Intensivstation bringt erhebliche therapeutische Komplexitäten mit sich. Die klinische Entscheidungsfindung für diese Patienten erfordert häufig komplexe Bewertungen hinsichtlich der Einleitung der mechanischen Beatmung, der Verabreichung von Vasopressoren und des Einsatzes von Breitbandantibiotika, die alle im Rahmen einer zugrunde liegenden Krebserkrankung betrachtet werden müssen, die typischerweise nur begrenztes Potenzial für eine Umkehrung aufweist. Mehrere Faktoren liegen ihrer erhöhten Anfälligkeit für frühe Sterblichkeit zugrunde, wie umfangreiches Tumorprogression, anhaltende systemische Entzündungsreaktionen, beeinträchtigte Organfunktion und Nährstoffmängel5. Hypoalbuminämie wird häufig als einer der wichtigsten klinischen Faktoren identifiziert, die mit der frühen Sterblichkeit in dieser Patientengruppe verbunden sind. Serumalbumin dient als Indikator, der sowohl chronische Mangelernährung infolge krebsassoziierter Kachexie als auch akute systemische Entzündungsreaktionen während kritischer Erkrankungen widerspiegelt und potenziell wichtige prognostischeInformationen liefert. Obwohl Serumalbumin in der klinischen Praxis routinemäßig gemessen wird, wurde sein prognostischer Wert bei Lungenkrebspatienten, die auf die Intensivstation eingeliefert wurden, nicht gründlich untersucht und fehlt in den aktuellen Risikovorhersageinstrumentenweitgehend 7. Angesichts der erhöhten kurzfristigen Sterblichkeit und der Komplexität des Managements in diesem klinischen Kontext besteht ein dringender Bedarf an leicht verfügbaren und praktischen Biomarkern, um eine frühzeitige Risikobewertung zu erleichtern und Behandlungsentscheidungen zu informieren. Vor diesem Hintergrund verdient Serumalbumin weitere Forschung, um seine prognostische Bedeutung bei schwer kranken Patienten mit Lungenkrebszu klären.

Aufgrund der komplexen und miteinander verbundenen Eigenschaften krebsassoziierter Risikofaktoren stehen konventionelle statistische Ansätze häufig vor Herausforderungen bei der effektiven Modellierung der intrinsischen nichtlinearen Assoziationen, die in hochdimensionalen klinischen Datensätzen eingebettet sind. Das Aufkommen von maschinellen Lernmethoden (ML) hat neue Wege zur Verbesserung der Krebsrisikovorhersage eröffnet. Techniken wie Random Forest (RF), extreme Gradient Boosting (XGBoost) und Support Vector Machine (SVM) haben breite Anwendung in biomedizinischen Untersuchungen gefunden, zeigen starke Fähigkeiten zur Verwaltung komplexer Datenmuster und liefern eine überlegene Prädiktionsgenauigkeit11,12. Dennoch schränken die undurchsichtigen oder Black-Box-Eigenschaften solcher Modelle ihre Interpretierbarkeit ein und erschweren ihre Integration in klinische Umgebungen. Um diesen Nachteil zu überwinden, wurde SHapley Additive Explanations (SHAP), eine auf Spieltheorie basierende Methode, als leistungsstarkes Werkzeug zur Verbesserung der Modelltransparenzeingeführt. Durch die Berechnung von Shapley-Werten für jedes Merkmal quantifiziert SHAP effektiv die Auswirkungen spezifischer Variablen auf Modellausgaben und verbessert so sowohl die Interpretierbarkeit als auch die Zuverlässigkeit14. Dieser Ansatz hat in der biomedizinischen Forschung zunehmend Akzeptanz erfahren, um die klinische Anwendbarkeit von ML-basierten Modellen zu fördern.

Unter Berücksichtigung dieser Faktoren wurde diese Studie darauf ausgelegt, die prognostische Bedeutung von Serumalbumin bei kritisch kranken Personen mit Lungenkrebsdiagnose gründlich zu untersuchen, basierend auf klinischen Informationen aus der Medical Information Mart for Intensive Care IV (MIMIC-IV)-Datenbank. Um dieses Ziel zu erreichen, nutzten wir sowohl konventionelle statistische Analysen als auch ML-Methoden. Soweit wir wissen, haben nur wenige Studien Serumalbumin sowohl als unabhängigen prognostischen Faktor als auch als klinisch interpretierbaren Beitragsfaktor innerhalb von Machine-Learning-Modellen untersucht, insbesondere bei Intensivpatienten mit Lungenkrebs15. Die meisten bestehenden Studien konzentrierten sich entweder auf allgemeine Intensivpopulationen oder auf Nicht-ICU-Onkologiekohorten, während maschinell-learningbasierte prognostische Modelle bei kritisch kranken Krebspatienten weitgehend die prädiktive Leistung betonten, ohne explizit den klinischen Beitrag einzelner Biomarker zu bewerten16.

In diesem Zusammenhang integriert die vorliegende Studie konventionelle Überlebensanalysen mit maschinellen Lernansätzen und SHAP-basierter Interpretation, um den Zusammenhang zwischen Serumalbumin und 28-tägiger All-Cause-Mortalität zu klären und ihre relative Bedeutung innerhalb eines interpretierbaren Vorhersagerahmens zu quantifizieren, der auf diese Hochrisikopopulation zugeschnitten ist. Anfangs wurden multivariable Cox-Proportionalhazard-Modelle angewandt, um die unabhängige Beziehung zwischen Serumalbuminspiegeln und 28-tägiger Gesamtmortalität zu bewerten, mit Anpassungen für relevante Störfaktoren. Gleichzeitig wurden prädiktive Modelle mit ML-Algorithmen erstellt, um wichtige prognostische Determinanten zu identifizieren und den spezifischen Beitrag des Serumalbumins zur Gesamtprädiktionskapazität zu untersuchen. Besonderer Fokus lag auf der Verbesserung der Modellinterpretierbarkeit durch den Einsatz von SHAP, wodurch die relative Wirkung des Serumalbumins im Vergleich zu anderen klinischen Merkmalen quantifiziert werden kann. Durch die Einbeziehung von Serumalbumin zusammen mit routinemäßig gesammelten klinischen Indikatoren zielt diese Untersuchung darauf ab, ein robustes und interpretierbares Risikostratifizierungsinstrument zu etablieren, um die frühe klinische Entscheidungsfindung zu verbessern und eine individuelle Versorgung für diese Hochrisikogruppe zu ermöglichen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Datenbankzugriff und Softwareumgebung
Erhalten Sie den autorisierten Zugang zur Medical Information Mart for Intensive Care IV-Datenbank (MIMIC-IV, v3.1) nach Abschluss der erforderlichen Schulung zur Nutzung ethischer Daten (Zertifizierungs-ID: 69002811). Laut den Measures for Ethical Review of Life Science and Medical Research Involving Human Subjects (18. Februar 2023, China) schreibt Artikel 32 vor, dass Forschung mit legal erworbenen öffentlichen Daten, Daten, die ohne Beeinträchtigung des öffentlichen Verhaltens generiert wurden, oder anonymisierten Informationen von der ethischen Überprüfung ausgenommen sind. Im Einklang mit diesen Bestimmungen war diese Studie von der institutionellen ethischen Zulassung ausgenommen. Das Datennutzungsprotokoll und die ethischen Richtlinien wurden strikt befolgt, und die Studie wurde ausschließlich zu wissenschaftlichen Forschungszwecken durchgeführt. Richte die Datenbankumgebung mit PostgreSQL (v17.1.11) ein. Verwenden Sie Navicat Premium (v17) als Datenbankverwaltungs- und Abfrageschnittstelle, um SQL-Abfragen auszuführen und extrahierte Datensätze zur Analyse zu exportieren.

Patientenauswahl
Identifizieren Sie Patienten mit Lungenkrebs in MIMIC-IV mithilfe der International Classification of Diseases, Ninth and Tenth Revision (ICD-9 und ICD-10) Codes17. Wenden Sie folgende Ausschlusskriterien nacheinander an: Alter <18 Jahre oder >90 Jahre; Fehlende Serumalbuminmessungen innerhalb der ersten 24 Stunden der Intensivstationseinweisung; Mehrere Intensivstationen oder Krankenhausaufnahmen; Dauer des Aufenthalts auf der Intensivstation <24 Stunden.

Variable Extraktion
Variablen aus MIMIC-IV (v3.1) mit PostgreSQL (v17.1.11) über Navicat Premium (v17) extrahieren, einschließlich: Demografie, Vitalzeichen, Labortests, Komorbiditäten, therapeutische Interventionen, Schweregradwerte und Endpunkte. Demografie: Alter, Geschlecht. Vitalwerte innerhalb der ersten 24 Stunden nach der Intensivstation: Herzfrequenz (HR), Atemfrequenz (RR), Sauerstoffsättigung (SpO₂) und Temperatur. Laborvariablen innerhalb der ersten 24 Stunden: Serumalbumin, Glukose, Kreatinin, Harnstoffstoff, Gesamtzahl von Bilirubin, Hämoglobin, Anzahl roter Blutkörperchen (RBC), Anzahl weißer Blutkörperchen (WBC), Thrombozytenzahl, Verteilungsbreite der roten Blutkörperchen (RDW), Alaninaminotransferase (ALT), Aspartataminotransferase (AST), Prothrombinzeit (PT), Kalzium, Kalium, Natrium, Chlorid. Komorbiditäten laut Diagnoseunterlagen: Bluthochdruck, Leberzirrhose, chronische Nierenerkrankung, Diabetes mellitus, chronische Bronchitis, Herzinsuffizienz und chronisch obstruktive Lungenerkrankung (COPD). Schweregradwerte bei der Intensivstation: Sequential Organ Failure Assessment (SOFA), Simplified Acute Physiology Score II (SAPS II), Charlson Comorbidity Index, Acute Physiology and Chronic Health Evaluation II (APACHE II). Therapeutische Interventionen: systemische Kortikosteroide, Antibiotika, Vasopressoren. Lebensstilfaktor: Rauchvorgeschichte. Für alle Laborvariablen und Schweregradwerte innerhalb der ersten 24 Stunden, wenn mehrere Messungen verfügbar sind, berechnen Sie den Durchschnittswert über denersten Tag und verwenden Sie diesen Wert für die Analyse. Variablen mit mehr als 20 % fehlenden Daten ausschließen. Für Variablen mit Fehlverhalten ≤20 % führen Sie Imputationen mit dem missForest-Algorithmus durch, einer auf Zufallswald basierenden maschinellen Lernmethode zur Verarbeitung gemischter klinischer Daten. Der Anteil der fehlenden Daten für Schlüsselvariablen ist in ergänzender Tabelle 1 angegeben.

Ergebnisdefinition
Definieren Sie das primäre Ergebnis als Gesamtmortalität innerhalb von 28 Tagen nach Aufnahme auf die Intensivstation. Ermitteln Sie den Sterblichkeitsstatus anhand der Sterberegister, die in der MIMIC-IV-Datenbank verfügbar sind. Klassifizieren Sie Patienten als Überlebende oder Nicht-Überlebende basierend auf dem 28-Tage-Sterblichkeitsstatus.

Statistische Analyse
Bewerten Sie die Verteilung stettiger Variablen mit dem Shapiro–Wilk-Test. Vergleichen Sie normalverteilte Variablen mit dem Student-t-Test und nicht-normalverteilte Variablen mit dem Wilcoxon-Rangsummentest. Vergleichen Sie kategoriale Variablen mit dem Chi-Quadrat-Test. Führen Sie eine Regression mit minimaler absoluter Schrumpfung und Auswahloperator (LASSO) mit 10-facher Kreuzvalidierung durch, um Kandidatenvariablen auszuwählen und die Multikollinearität zu reduzieren. Erstellen Sie multivariable Cox-Proportionalhazard-Modelle, um die unabhängige Verbindung zwischen Serumalbumin und 28-Tage-Mortalität zu bewerten. Serumalbumin wurde sowohl als kontinuierliche als auch als kategoriale Variable eingegeben, und Kovariaten, die durch die LASSO-Regression ausgewählt wurden, wurden zur Anpassung einbezogen. Hazard Ratios (HRs) und 95%-Konfidenzintervalle (KI) wurden geschätzt. Untersuchen Sie nichtlineare Assoziationen mithilfe der Limited cubic Spline (RCS)-Analyse. Die Knoten wurden an vordefinierten Perzentilen der Albuminverteilung platziert, und die Nichtlinearität wurde durch Tests der Spline-Terme bewertet. Erstellen Sie Kaplan–Meier-Überlebenskurven und vergleichen Sie Überlebensverteilungen mit dem Log-Rank-Test.

Entwicklung und Validierung von Modellen für maschinelles Lernen
Teilen Sie den Datensatz auf Patientenebene zufällig in ein Trainingsset (70 %), ein Validierungsset (15 %) und ein unabhängiges Testset (15 %) auf. Führen Sie die Merkmalsauswahl ausschließlich mit dem Trainingssatz durch, indem Sie die Schnittmenge der durch LASSO-Regression und den Boruta-Algorithmus ausgewählten Variablen identifizieren, wobei sichergestellt wird, dass nur stabile und relevante Prädiktoren erhalten bleiben. Trainieren Sie acht maschinelle Lernklassifikatoren auf dem Trainingsset, darunter logistische Regression, Random Forest, Entscheidungsbaum, Support Vector Machine, XGBoost, LightGBM, Complement Na�ive Bayes und Support Vector Classifier. Die Modellleistung wurde zunächst im Validierungsset bewertet und anschließend im unabhängigen Testsatz mit AUC-ROC, AUC-PR, Genauigkeit, Sensitivität, Spezifität, Kalibrierungskurven, Entscheidungskurvenanalyse und Lernkurven bestätigt.

Modellinterpretation und Endpunkt
Identifizieren Sie das leistungsstärkste maschinelle Lernmodell anhand von Validierungsmetriken. Wenden Sie SHapley Additive Explanations (SHAP) an, um den Beitrag jedes Merkmals zur Sterblichkeitsprognose zu quantifizieren. Erstellen Sie SHAP-Zusammenfassungs- und Abhängigkeitsdiagramme, um die relative Bedeutung und Richtung von Serumalbumin und anderen Prädiktoren zu visualisieren. Schließen Sie die Analyse ab, indem Sie statistische und maschinelle Lernergebnisse integrieren, um einen interpretierbaren Risikostratifizierungsrahmen zu etablieren.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Basismerkmale
Insgesamt wurden 1.274 Patienten mit Lungenkrebs identifiziert und aus der MIMIC-IV-Datenbank extrahiert (Abbildung 1). Das mittlere Alter der Kohorte betrug 69 Jahre (IQR: 61–77), und 51,18 % waren männlich. Insgesamt starben 343 Patienten (26,92 %) innerhalb von 28 Tagen nach der Aufnahme auf die Intensivstation. Baseline-Merkmale, geschichtet nach dem 28-Tage-Überlebensstatus, sind in Tabelle 1 dargestell...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

In dieser Studie untersuchten wir den Zusammenhang zwischen Serumalbuminspiegeln und 28-tägiger Gesamtsterblichkeit bei Intensivpatienten mit Lungenkrebs anhand von Daten aus der MIMIC-IV-Datenbank. Niedrigere Serumalbuminwerte waren unabhängig voneinander mit einem höheren Risiko einer 28-Tage-Sterblichkeit verbunden, selbst nach Anpassung für eine breite Palette klinischer Kovariaten. Diese Verbindung blieb in verschiedenen analytischen Ansätzen, darunter Cox-Proportionalhazard-Modelle...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Die Autoren erklären keine konkurrierenden Interessen.

Danksagungen

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

Wir schätzen die bedeutenden Beiträge aller Autoren zu dieser Studie aufrichtig; Ihre unschätzbaren Bemühungen waren maßgeblich an ihrem Erfolg beteiligt. Diese Forschung wurde von der National Natural Science Foundation of China (82174415, 82405441), dem Wissenschafts- und Technologieinnovationsprojekt der Chinesischen Akademie für traditionelle chinesische Medizin (CI2021A01818, C12021A03307, C12021A05054) sowie dem Hochrangigen Krankenhausbauprojekt der traditionellen chinesischen Medizin des Wangjing Hospitals, Clinical Evidence Based Research Special Project for Traditional Chinese Medicine (WJYY-XZKT-2023-25) der Chinesischen Akademie der Chinesischen Medizin finanziert.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Medical Information Mart for Intensive Care IV (MIMIC-IV) DatenbankMassachusetts Institute of Technologyhttp: //mimic.physionet.org/
Navicat Premium (v17)PremiumSoft CyberTech Ltd.
PostgreSQL (v17.1.11)PostgreSQL Global Development Group
Python (v3.10)Python Software Foundation
R Statistical Software (v4.2.3)R Foundation for Statistical Computing
SHapley Additive exPlanations (SHAP)Open-Source-Software

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Serumalbumin28 Tage Mortalit tlogistische RegressionCox proportionales Hazards ModellSHAP AnalyseRisikostratifizierungMerkmalsauswahl

Verwandte Artikel