מאמר מחקר

מודל אלבומין ולמידת מכונה לחיזוי תמותה מכל הסיבה ב-28 ימים בחולי טיפול נמרץ עם סרטן ריאות

DOI:

10.3791/70067

⸱

3 באפריל 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

במאמר זה

סיכום

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

פרוטוקול זה מפרט את חילוץ נתוני טיפול נמרץ קליני ממסד הנתונים MIMIC-IV ואת יישום ניתוח הישרדות ומודלים ניתנים לפרשנות של למידת מכונה להערכת אלבומין בסרום כמנבא לתמותה תוך 28 יום בחולי סרטן ריאות.

תקציר

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

אלבומין בסרום משקף מצב תזונתי, דלקת מערכתית ונטל מחלות. עם זאת, המשמעות הפרוגנוסטית שלו בקרב חולים קריטיים עם סרטן ריאות נותרה לא ברורה. מחקר זה נועד לחקור את הקשר בין אלבומין סרום לתמותה מכל הסיבה תוך 28 ימים בחולי טיפול נמרץ (ICU) עם סרטן ריאות, ולהעריך את ערכו החיזוי במודלים של למידת מכונה (ML). מחקר קוהורט רטרוספקטיבי זה כלל 1,274 מטופלי טיפול נמרץ מבוגרים עם סרטן ריאות ממאגר Medical Information Mart for Intensive Care IV (MIMIC-IV). מודלים של סיכונים פרופורציונליים מרובי משתנים של קוקס העריכו את הקשר בין אלבומין בסרום לתמותה של 28 ימים. ניתוחים נוספים כללו ספלינים קובייתיים מוגבלים, עקומות הישרדות של קפלן–מאייר, וניתוחי תת-קבוצות. מסווגי ML פותחו באמצעות אופרטור ההתכווצות והבחירה המוחלטת המינימלית (LASSO) ובורוטה לבחירת תכונות. רגרסיה לוגיסטית נבחרה כמודל האופטימלי, כאשר ערכי SHapley Additive Explanations (SHAP) שימשו לפרשנות. מבין 1,274 מטופלים, שיעור התמותה ב-28 ימים עמד על 26.9%. רמות אלבומין נמוכות יותר בסרום היו קשורות באופן עצמאי לתמותה גבוהה יותר ב-28 ימים. יחס הסיכון לכל עלייה של 1 גרם לד"ל באלבמין בסרום היה 0.729 (רווח בר-סמך 95%, 0.597–0.891; p = 0.002). נצפתה אסוציאציה הפוכה בין רבעוני אלבומין בסרום (p למגמה <0.001), וניתוח קפלן–מאייר הראה תמותה נמוכה יותר בקרב מטופלים עם אלבומין ≥2.9 גרם לד"ל (דירוג לוגריתם p < 0.0001). מודל הרגרסיה הלוגיסטית השיג AUC של 0.767 בקוהורט הוולידציה, מה שמעיד על הבחנה וכיול טובים. ניתוח SHAP זיהה אלבומין בסרום כמנבא מרכזי לתמותה תוך 28 ימים. אלבומין נמוך יותר בסרום היה קשור באופן עצמאי לעלייה בתמותה קצרה טווח בקרב חולי טיפול נמרץ עם סרטן ריאות. אלבומין בסרום עשוי לשמש כסמן ביוגרפי מעשי לשכבת סיכון מוקדמת באוכלוסייה זו. מודלים של למידת מכונה הכוללים אלבומין הראו ביצועים חיזויים חזקים ויכולת פרשנות.

מבוא

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

סרטן הריאות ממשיך להיחשב בין הצורות הנפוצות והקטלניות ביותר של ממאירות בעולם. לפי דיווח מצפה הסרטן הגלובלי (GLOBOCAN 2020), סרטן הריאות מייצג כ-11.4% מכלל מקרי הסרטן החדשים שזוהו ונשאר הגורם העיקרי למקרי מוות הקשורים לסרטן, התורם לכ-18% ממקרי המוות מסרטןברחבי העולם. למרות שהושגה התקדמות משמעותית בטכניקות אבחון מוקדמות, משטרי כימותרפיה וגישות טיפול ממוקדות, שיעור ההישרדות הכולל של סרטן ריאות במשך 5 שנים נשאר מתחת ל-20%, בעיקר בזכות הופעתו בשלבים מאוחרים ואופיו האגרסיבי מאוד2.

מספר משמעותי של אנשים שאובחנו עם סרטן ריאות זקוק לאשפוז ביחידת טיפול נמרץ (ICU) לאורך כל מסלול המחלה, לרוב כתוצאה מסיבוכים כמו מצוקה נשימתית חריפה, זיהומים חמורים או דימום, שיכולים להיגרם מהתקדמות סרטן או תופעות לוואי הקשורות לטיפול. בקרב קבוצת מטופלים זו, אשפוז לטיפול נמרץ קשור באופן חזק לתחזיות גרועות לטווח קצר, עם שיעורי תמותה מדווחים ב-28 ימים שנעים בין 30% ל-60%, ועלים משמעותית על אלו שנצפו באוכלוסיית הטיפול הנמרץ הרחבהיותר. בקבוצות טיפול נמרץ קודמות של חולי סרטן ריאות, מצבים נלווים נפוצים מאוד, כאשר יתר לחץ דם וסוכרת דווחו בכ-46.1% ו-37.9% מהמטופלים, בהתאמה. בנוסף, כמעט מחצית מהמטופלים הללו מציגים נכות תפקודית בסיסית בינונית עד חמורה (45.6%), מה שעלול לסבך את ניהול הטיפול הנמרץ ולתרום לתוצאות גרועות בטווח הקצר4. הטיפול בחולי סרטן ריאות חולים קריטיים בסביבת טיפול נמרץ מציג מורכבויות טיפוליות משמעותיות. קבלת החלטות קליניות עבור מטופלים אלו דורשת לעיתים קרובות הערכות מורכבות בנוגע להתחלת הנשמה מכנית, מתן וסופרסורים ושימוש באנטיביוטיקה רחבת טווח, שכל אלה חייבים להילקח במסגרת סרטן בסיסי שבדרך כלל מציג פוטנציאל מוגבל להיפוכות. מספר משתנים עומדים בבסיס הפגיעות המוגברת שלהם לתמותה מוקדמת, כגון התקדמות נרחבת של הגידול, תגובות דלקתיות מערכתיות מתמשכות, פגיעה בתפקוד האיבריםוחסרים תזונתיים. היפואלבומינמיה מזוהה לעיתים קרובות כאחד הגורמים הקליניים המרכזיים הקשורים לתמותה מוקדמת באוכלוסיית מטופלים זו. אלבומין בסרום משמש כאינדיקטור המשקף הן תת-תזונה כרונית הנגרמת מקשקקסיה הקשורה לסרטן והן תגובות דלקתיות מערכתיות חריפות במהלך מחלה קשה, ויכול לספק מידע פרוגנוסטי חשוב6. למרות שאלבומין בסרום נמדד באופן שגרתי בפרקטיקה קלינית, ערכו הפרוגנוסטי לא נחקר לעומק אצל חולי סרטן ריאות שאושפזו בטיפול נמרץ, והוא כמעט נעדר מכלי חיזוי הסיכון הנוכחיים7. בהתחשב בתמותה הגבוהה בטווח הקצר ובמורכבות הניהול בהקשר קליני זה, יש צורך דחוף בסמנים ביולוגיים נגישים ומעשיים שיאפשרו הערכת סיכונים מוקדמת וינחו החלטות טיפול. על רקע זה, אלבומין סרום ראוי למחקר נוסף כדי להבהיר את חשיבותו הפרוגנוסטית אצל חולים קריטיים עם סרטן ריאות 8,9,10.

בשל המאפיינים המורכבים והמקושרים של גורמי הסיכון הקשורים לסרטן, גישות סטטיסטיות קונבנציונליות מתמודדות לעיתים קרובות עם אתגרים במידול יעיל של הקשרים הלא-ליניאריים הפנימיים המוטמעים במאגרי נתונים קליניים בעלי ממדים גבוהים. הופעת מתודולוגיות למידת מכונה (ML) הציגה דרכים חדשות לשיפור חיזוי הסיכון לסרטן. טכניקות כמו יער אקראי (RF), הגברת גרדיאנט קיצוני (XGBoost) ומכונת וקטור תמיכה (SVM) זכו ליישום נרחב במחקרים ביו-רפואיים, והפגינו יכולות חזקות בניהול דפוסי נתונים מורכבים ובמתן דיוק חיזוי מעולה11,12. עם זאת, המאפיינים האטומים או השחורים של מודלים כאלה מגבילים את הפרשנות שלהם ומקשים על שילובם בהקשרים הקליניים. כדי להתגבר על חיסרון זה, SHapley Additive Explanations (SHAP), שיטה המבוססת על תורת המשחקים, הוצגה ככלי עוצמתי לשיפור שקיפות המודל13. באמצעות חישוב ערכי Shapley לכל תכונה, SHAP מכמת ביעילות את השפעת משתנים מסוימים על פלטי המודל, ובכך משפר הן את הפרשנות והן את האמינות14. גישה זו זכתה לאימוץ הולך וגובר במחקר הביו-רפואי כאמצעי לקידום היישום הקליני של מודלים מבוססי למידת מכונה.

בהתחשב בגורמים אלו, מחקר זה נועד לבחון לעומק את המשמעות הפרוגנוסטית של אלבומין בסרום בקרב חולים קריטיים שאובחנו עם סרטן ריאות, תוך שימוש במידע קליני שמקורו במאגר Medical Information Mart for Intensive Care IV (MIMIC-IV). כדי להשיג מטרה זו, השתמשנו הן בניתוחים סטטיסטיים קונבנציונליים והן בשיטות למידת מכונה. למיטב ידיעתנו, מעט מחקרים בחנו את אלבומין הסרום הן כגורם פרוגנוסטי עצמאי והן כתורם קליני לפרשנות במודלים של למידת מכונה, במיוחד אצל חולי טיפול נמרץ עם סרטן ריאות15. רוב המחקרים הקיימים התמקדו באוכלוסיות טיפול נמרץ כלליות או בקבוצות אונקולוגיות שאינן בטיפול נמרץ, בעוד שמודלים פרוגנוסטיים מבוססי למידת מכונה בחולי סרטן קריטיים הדגישו בעיקר ביצועים חיזויים מבלי להעריך במפורש את התרומה הקלינית של סמנים ביולוגייםבודדים.

בהקשר זה, המחקר הנוכחי משלב ניתוח הישרדות קונבנציונלי עם גישות למידת מכונה ופרשנות מבוססת SHAP כדי להבהיר את הקשר בין אלבומין סרום לתמותה הכוללת ב-28 ימים ולכמת את חשיבותו היחסית במסגרת חיזוי ניתנת לפרשנות המותאמת לאוכלוסייה בסיכון גבוה זו. בתחילה, יושמו מודלים מרובי משתנים של סיכונים פרופורציונליים של קוקס להערכת הקשר העצמאי בין רמות אלבומין בסרום לתמותה מכל הסיבה ב-28 ימים, עם התאמות לגורמים המבלבלים הרלוונטיים. במקביל, נבנו מודלים חיזויים באמצעות אלגוריתמים של למידת מכונה לזיהוי גורמים פרוגנוסטיים עיקריים ולבחינת התרומה הספציפית של אלבומין הסרום ליכולת החיזוי הכוללת. המיקוד המיוחד הופנה לשיפור יכולת הפרשנות של המודל באמצעות שימוש ב-SHAP, מה שאפשר לכימות את ההשפעה היחסית של אלבומין הסרום בהשוואה לתכונות קליניות אחרות. על ידי שילוב אלבומין סרום לצד מדדים קליניים שנאספים באופן שגרתי, מחקר זה שואף להקים כלי סיווג סיכון חזק וניתן לפענוח לשיפור קבלת ההחלטות הקליניות המוקדמת ולאפשר טיפול מותאם אישית לקבוצה בסיכון גבוה זה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

גישה למסדי נתונים וסביבת תוכנה
קבלת גישה מורשית למאגר המידע הרפואי לטיפול נמרץ IV (MIMIC-IV, v3.1) לאחר סיום ההכשרה הנדרשת לשימוש אתי בנתונים (מזהה הסמכה: 69002811). לפי מדדים לסקירה אתית של מדעי החיים ומחקר רפואי הכולל נבדקים אנושיים (18 בפברואר 2023, סין), סעיף 32 קובע כי מחקר המשתמש בנתונים ציבוריים שהושגו כחוק, נתונים שנוצרו ללא הפרעה להתנהגות הציבורית, או מידע אנונימי פטור מסקירת אתיקה. בהתאם להוראות אלו, מחקר זה היה פטור מאישור אתי מוסדי. פרוטוקול השימוש בנתונים וההנחיות האתיות נשמרו בקפדנות, והמחקר נערך אך ורק למטרות מחקר מדעי. הגדר את סביבת מסד הנתונים באמצעות PostgreSQL (v17.1.11). השתמש ב-Navicat Premium (v17) כממשק ניהול ושאילתות מסדי נתונים כדי להריץ שאילתות SQL ולייצא מערכי נתונים שהופקו לניתוח.

בחירת מטופלים
לזהות חולים עם סרטן ריאות ב-MIMIC-IV באמצעות קודי הסיווג הבינלאומי של מחלות, גרסה תשיעית ועשירית (ICD-9 ו-ICD-10)17. החלו את קריטריוני ההחרגה הבאים ברצף: גיל <18 שנים או >90 שנים; מדידות אלבומין סרום חסרות בתוך 24 השעות הראשונות לאשפוז בטיפול נמרץ; אשפוזים מרובים בטיפול נמרץ או בבית חולים; משך השהייה בטיפול נמרץ <24 שעות.

חילוץ משתנים
חלצו משתנים מ-MIMIC-IV (גרסה 3.1) באמצעות PostgreSQL (גרסה 17.1.11) באמצעות Navicat Premium (גרסה 17), כולל: דמוגרפיה, סימני חיים, בדיקות מעבדה, מחלות נלוות, התערבויות טיפוליות, ציוני חומרה ותוצאות. דמוגרפיה: גיל, מגדר. סימנים חיוניים ב-24 השעות הראשונות לאחר האשפוז לטיפול נמרץ: דופק (דופק), קצב נשימה (RR), רוויית חמצן (SpO₂) וטמפרטורה. משתני המעבדה ב-24 השעות הראשונות: אלבומין, גלוקוז, קריאטינין, חנקן אוריאה, בילירובין כולל, המוגלובין, ספירת תאי דם אדומים (RBC), ספירת תאי דם לבנים (WBC), ספירת טסיות, רוחב התפלגות תאי דם אדומים (RDW), אלנין אמינוטרנספראז (ALT), אספרטט אמינוטרנספראז (AST), זמן פרותרומבין (PT), סידן, אשלגן, נתרן, כלוריד. מחלות נלוות מהרשומות האבחנתיות: יתר לחץ דם, שחמת כבד, מחלת כליות כרונית, סוכרת, ברונכיטיס כרוני, אי ספיקת לב ומחלת ריאות חסימתית כרונית (COPD). ציוני חומרה באשפוז לטיפול נמרץ: הערכת כשל איברים סדרתיים (SOFA), ציון פיזיולוגיה אקוטית מפושטת II (SAPS II), מדד מחלות נלוות של צ'רלסון, פיזיולוגיה חריפה והערכת בריאות כרונית II (APACHE II). התערבויות טיפוליות: קורטיקוסטרואידים מערכתיים, אנטיביוטיקה, מדחסי כלי דם. גורם אורח חיים: היסטוריית עישון. לכל משתני המעבדה וציוני החומרה ב-24 השעות הראשונות, אם קיימות מדידות מרובות, יש לחשב את הערךהממוצע לאורך היום הראשון ולהשתמש בערך זה לניתוח. החריגו משתנים עם יותר מ-20% נתונים חסרים. עבור משתנים עם חסריות ≤20%, יש לבצע אימפוטציה באמצעות אלגוריתם missForest, שיטת למידת מכונה מבוססת יער אקראי לטיפול בנתונים קליניים מסוגים מעורבים. החלק של נתונים חסרים עבור משתנים מרכזיים מופיע בטבלה משלימה 1.

הגדרת תוצאה
הגדר את התוצאה הראשונית כתמותה מכל הסיבה בתוך 28 ימים לאחר הקבלה לטיפול נמרץ. בדוק את מצב התמותה באמצעות רשומות פטירה הזמינות במאגר MIMIC-IV. סווג מטופלים כשורדים או לא שורדים בהתבסס על מצב תמותה של 28 ימים.

ניתוח סטטיסטי
העריך את התפלגות המשתנים הרציפים באמצעות מבחן שפירו–וילק. השווה משתנים מבוזרים נורמליים באמצעות מבחן t של סטודנט למשתנים לא מבוזרים נורמלית באמצעות מבחן סכום הדרגה של וילקוקסון. השוו משתנים קטגוריים באמצעות מבחן חי-ריבועי. בצע רגרסיה של התכווצות מוחלטת מינימלית ואופרטור בחירה (LASSO) עם אימות צולב של 10 פעמים לבחירת משתנים מועמדים ולהפחתת רב-קוליניאריות. בנה מודלים מרובי משתנים של סיכוני קוקס פרופורציונליים להערכת הקשר העצמאי בין אלבומין בסרום לתמותה ב-28 ימים. אלבומין הסרום נרשם הן כמשתנה רציף והן כמשתנה קטגורי, ומשתנים שנבחרו על ידי רגרסיית LASSO נכללו להתאמה. הוערכו יחסי סיכון (HRs) ורווחי אמון של 95% (CIs). חקור אסוציאציות לא ליניאריות באמצעות ניתוח ספליין קובייתי מוגבל (RCS). הקשרים הונחו באחוזונים מוגדרים מראש של התפלגות האלבומין, והאי-ליניאריות הוערכה על ידי בדיקת מונחי הספליין. צרו עקומות הישרדות של קפלן–מאייר והשוו התפלגויות הישרדות באמצעות מבחן דירוג לוגריתם.

פיתוח ואימות מודלים של למידת מכונה
פיצל באקראי את מערך הנתונים ברמת המטופל למערך אימון (70%), מערך אימות (15%) ומערך בדיקות עצמאי (15%). בצע בחירת תכונות באמצעות קבוצת האימון רק על ידי זיהוי החיתוך של המשתנים שנבחרו על ידי רגרסיית LASSO ואלגוריתם בורוטה, תוך הבטחה שרק מנבאים יציבים ורלוונטיים נשמרים. הדרכו שמונה מסווגי למידת מכונה על סט האימונים, כולל רגרסיה לוגיסטית, יער אקראי, עץ החלטות, מכונת וקטור תמיכה, XGBoost, LightGBM, Bayes naïve complement, ומסווג וקטורי תמיכה. ביצועי המודל הוערכו לראשונה בסט האימות ואושרו לאחר מכן במערך הבדיקות העצמאי באמצעות AUC-ROC, AUC-PR, דיוק, רגישות, ספציפיות, עקומות כיול, ניתוח עקומות החלטה ועקומות למידה.

פירוש מודלים ונקודת סיום
זהה את מודל למידת המכונה בעל ביצועים מיטביים בהתבסס על מדדי ביצועי ואימות. יישמו הסברים אדיטיביים של SHapley (SHAP) כדי לכמת את התרומה של כל תכונה לחיזוי התמותה. יצר סיכום ותלות של SHAP כדי להמחיש את החשיבות והכיווניות היחסית של אלבומין סרום ומנבאים אחרים. השלים את הניתוח על ידי שילוב תוצאות סטטיסטיות ולמידת מכונה כדי להקים מסגרת סטרטיפיקציה סיכונית ניתנת לפענוח.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

מאפייני בסיס
בסך הכל זוהו והוצאו 1,274 חולים עם סרטן ריאות ממאגר הנתונים של MIMIC-IV (איור 1). הגיל החציוני של הקבוצה היה 69 שנים (IQR: 61–77), ו-51.18% היו גברים. בסך הכול, 343 מטופלים (26.92%) מתו בתוך 28 ימים מהכניסה לטיפול נמרץ. מאפייני הבסיס המסודרים לפי מצב הישרדות של 28 ימים מוצגים בטבלה 1. בהשוואה לניצולים, לא שורדים הראו חומרת מחלה גבוהה משמעותית, כפי שמשתקף במדד APACHE II, מדד מחלות נלוות צ'רלסון, SAPS II, ו-SOF...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

במחקר זה, בחנו את הקשר בין רמות אלבומין בסרום לבין תמותה מכל הסיבה תוך 28 ימים בקרב חולי טיפול נמרץ עם סרטן ריאות, תוך שימוש בנתונים ממאגר MIMIC-IV. רמות אלבומין סרום נמוכות היו קשורות באופן עצמאי לסיכון גבוה יותר לתמותה ב-28 יום, גם לאחר התאמה למגוון רחב של משתנים קליניים. קשר זה נשאר עקבי בגישות אנליטיות שונות, כולל מודלים של סיכונים פרופורציונליים של Cox ושיטות למידת מכונה. ניתוחי תת-קבוצות הראו עוד יותר את יציבות הקשר הזה בין שכבות רלוונטיות קלינית, ללא התגלות אינטראקציות משמעותיות. ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

המחברים מצהירים שאין להם אינטרסים מתחרים.

תודות

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

אנו מעריכים בכנות את התרומות המשמעותיות של כל המחברים למחקר זה; מאמציהם היקרים היו גורם מרכזי להצלחתה. מחקר זה מומן על ידי הקרן הלאומית למדעי הטבע של סין (82174415, 82405441), פרויקט חדשנות במדע וטכנולוגיה של האקדמיה הסינית לרפואה סינית מסורתית (CI2021A01818, C12021A03307, C12021A05054) ופרויקט בניית בית החולים לרפואה סינית מסורתית ברמה גבוהה של בית החולים וואנגג'ינג, פרויקט מחקר קליני מבוסס ראיות מיוחד לרפואה סינית מסורתית (WJYY-XZKT-2023-25).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Medical Information Mart for Intensive Care IV (MIMIC-IV) DatabaseMassachusetts 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

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

28SHAP

מאמרים קשורים