הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

מודל למידת מכונה לניבוי ניתוח גורמי סיכון ומודל לניבוי תמותה של דלקת תעלות המרה חריפה (Acute Cholangitis) המסובכת באלח דם (Sepsis)

114 צפיות

⸱

DOI:

10.3791/72165

⸱

8 בספטמבר 2026

 ,  ,  ,  ,  ,  ,  , 
1Binhai County People's Hospital, 2Dongkan Street Health Center in Binhai County, 3Northern Jiangsu People's Hospital Affiliated to Yangzhou University, 4Changzhou Medical Center, Nanjing Medical University, Changzhou Maternal and Child Health Care Hospital

* These authors contributed equally

במאמר זה

סיכום

כאן אנו מתארים תהליך עבודה של למידת מכונה הניתנת לפירוש עבור שלוש משימות ספציפיות לתוצאות בכולנגיטיס חריפה: חיזוי ספסיס במחלקה כללית, חיזוי תמותה בבית החולים במחלקה כללית, וחיזוי תמותה בטווח של 28 ימים ביחידה לטיפול נמרץ (ICU). תהליך העבודה משלב בחירת מאפיינים, השוואת מודלים, פירוש באמצעות SHAP, ניתוחי רגרסיה ובניית נומוגרמה.

תקציר

מחקר זה בחן גורמים הקשורים לספסיס בכולנגיטיס חריפה ופיתח מודלים ספציפיים לתוצאות עבור ספסיס ותמותה. ניתחנו באופן רטרוספקטיבי נתונים מ-1,999 מטופלים משני מרכזים, כולל 1,561 שאושפזו במחלקות כלליות ו-438 ביחידה לטיפול נמרץ (ICU). עבור כל משימת ניבוי, הנתונים חולקו לקבוצות אימון ותיקוף פנימי ביחס של 7:3. פותחו והושוו מודלים של רגרסיה לוגיסטית (LR), יער אקראי (RF), מכונת וקטורים תומכים (SVM) ו-Extreme Gradient Boosting (XGBoost), ולצורך הפרשנות נעשה שימוש ב-Shapley Additive Explanations (SHAP). ספסיס התרחשה בקרב 544 מטופלים במחלקות הכלליות (34.85%) ו-299 מטופלים ב-ICU (68.3%). מודל LR השיג את ה-AUC הגבוה ביותר בתיקוף הפנימי לניבוי ספסיס במחלקות הכלליות (0.826; AUC אימון, 0.893). ספסיס הייתה קשורה להישרדות נמוכה יותר בבית החולים בקבוצת המחלקות הכלליות ולהישרדות נמוכה יותר ב-28 ימים בקבוצת ה-ICU. נומוגרמה של תמותה ב-28 ימים ב-ICU שילבה את מדד Acute Physiology Score III (APS III), המוגלובין (Hb), alanine aminotransferase (ALT), לקטט (Lac), בילירובין כולל (TBil), אלבומין, מצב ספסיס ופגיעה כלייתית, והניבה AUC של 0.840. נומוגרמה של תמותה בבית החולים במחלקות הכלליות שילבה אלבומין, פגיעה כלייתית, מצב ספסיס, חנקן של השתן (BUN), TBil ו-aspartate aminotransferase (AST), והניבה AUC של 0.904. המודלים שעברו תיקוף פנימי הראו יכולת הבחנה ראשונית לצורך סיווג סיכונים ספציפי לתוצאה. נדרש תיקוף חיצוני פרוספקטיבי רב-מרכזי לפני יישום קליני.

מבוא

כולנגיטיס חריפה (Acute cholangitis) היא זיהום בדרכי המרה שעלול לסכן חיים, הנגרם על ידי חסימה של דרכי המרה והתרבות חיידקים1. המחלה תוארה לראשונה על ידי Charcot בשנת 1877 כ"חום כבדי", והביטוי הקלאסי שלה הוא שלשת Charcot: חום, כאב בבטן הימנית העליונה וצהבת. מחלה חמורה עשויה להתבטא בחמישיית Reynolds, המוסיפה תמותיות נמוכה (hypotension) ושינוי במצב ההכרה2. סיבות נפוצות כוללות choledocholithiasis (אבני צינור מרה), היצרויות בדרכי המרה, גידולי דרכי מרה וחסימה טפילית; choledocholithiasis אחראית לכמחצית מהמקרים1. חסימה של דרכי המרה גורמת לסטזיס של מרה ולעלייה בלחץ התוך-ניבי, מה שעלול לפגוע במחסום האפיתליאלי של דרכי המרה, לעודד טרנסלוקציה חיידקית ולעורר דלקת3. שיעור התמותה הכללי נע בין כ-2.7% ל-10%, אך עשוי להגיע ל-50% במחלה חמורה4. בחולנגיטיס חריפה חמורה, חיידקים ואנדוטוקסינים עלולים לחדור למחזור הדם, ובכך לעורר דלקת סיסטמית וספסיס.

אלספסיס (Sepsis) מאופיינת בתפקוד לקוי של איברים המהווה סכנה לחיי המטופל, ונגרמת מתגובה לא מווסתת של המארח לזיהום, ועשויה להתפתח לכשל רב-איברי5. ברמה גלובלית, מוערך כי בכל שנה מתרחשים 48.9 מיליון מקרי אלספסיס, ומקרי מוות הקשורים לאלספסיס מהווים כ-19.7% מכלל מקרי המוות6. למרות התקדמות ברפואת חירום ובטיפול נמרץ, שיעור התמותה מאלספסיס נותר גבוה7. הנחיות טוקיו 2018 (TG18) נמצאות בשימוש נרחב לאבחון ולדירוג חומרתה של דלקת תעלות המרה חריפה (acute cholangitis)2. עם זאת, זיהוי אלספסיס נלווית וניבוי תוצאות שליליות נותרים מאתגרים14. לפיכך, גישות משופרות לסיווג סיכונים עשויות לסייע בזיהוי מטופלים הדורשים הערכה מעמיקה יותר.

מחקרים קודמים זיהו מדדים המטולוגיים ומדדים של תפקודי כבד וכליות כסמנים פוטנציאליים לחומרתה ולפרוגנוזה של דלקת דרכי מרה חריבה (acute cholangitis)8. מדד ה-Sequential Organ Failure Assessment (SOFA) נמצא בשימוש נרחב לכימות תפקוד לקוי של איברים ויש לו ערך פרוגנוסטי בספסיס9. מדד ה-Acute Physiology Score III (APS III), מרכיב הפיזיולוגיה החריבה של APACHE III, מסכם הפרעות פיזיולוגיות ותורם להערכת סיכון לתמותה בקרב חולים ביחידה לטיפול נמרץ (ICU)10. מחלות רקע כגון מחלות קרדיווסקולריות, סוכרת ומחלות כבד כרוניות עשויות להגביר עוד יותר את הסיכון לתוצאים שליליים11. עם זאת, הראיות נותרות מוגבלות בנוגע למודלים לניבוי תוצאים ספציפיים לספסיס ותמותה בדלקת דרכי מרה חריבה.

למידת מכונה יושמה באופן גובר על נתונים קליניים מובנים כדי לזהות דפוסים מורכבים ולתמוך בהערכת סיכונים12,13. בהתאם לכך, פיתחנו ותיקפנו פנימית מודלים ניתנים לפירוש של למידת מכונה עבור שלוש משימות נפרדות: חיזוי אלח דם (ספסיס) במחלקה כללית, חיזוי תמותה בבית החולים במחלקה כללית, וחיזוי תמותה בתוך 28 ימים ביחידה לטיפול נמרץ (ICU). השווינו בין LR, RF, SVM ו-XGBoost והשתמשנו ב-SHAP כדי לכמת את חשיבות המאפיינים ולהסביר תחזיות פרטניות. המטרה הייתה להעריך את הביצועים החזויים הספציפיים לתוצאה ואת יכולת הפירוש של המודלים, ולא להקים מערכת לקבלת החלטות קליניות. תיקוף חיצוני פרוספקטיבי רב-מרכזי נדרש לפני שניתן יהיה לשקול את המודלים הללו לשימוש קליני שגרתי.

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

פרוטוקול

מחקר זה בוצע בהתאם לעקרונות הצהרת הלסינקי. אישור ניתן על ידי ועדת האתיקה של בית החולים המחוזי בבינהאי (מספר אישור 2024-BHKYLL-055).

מתודולוגיה

מטופלים

גייסנו באופן רטרוספקטיבי 1,999 מבוגרים שאובחנו עם דלקת מעבר מרה חריבה (acute cholangitis) בשני מרכזים בין ינואר 2020 לאוגוסט 2024: בית החולים הקהילי של מחוז ביינהאי (Binhai County People's Hospital) ובית החולים הקהילי השני של חוואי-אן (Huai'an Second People's Hospital). מתוך מטופלים אלה, 1,561 טופלו במחלקות כלליות, ו-438 אושפזו ביחידה לטיפול נמרץ (ICU). פרוטוקול המחקר אושר על ידי ועדת האתיקה של בית החולים הקהילי של מחוז ביינהאי (מספר אישור 2024-BHKYLL-055). הסכמה מדעת בכתב התקבלה מכל משתתף או מנציג מורשה על פי חוק.

מטופלים היו כשירים להשתתפות אם (1) הייתה להם אבחנה של דלקת דרכי מרה חריפה (acute cholangitis) המאושרת על ידי רופא, (2) גילם היה 18 שנים ומעלה, ו-(3) היו להם רשומות רפואיות מלאות ונתוני מעקב עבור התוצאה הרלוונטית.

מטופלים הוחרגו אם (1) הייתה להם מחלה ממאירה נלווית שצפויה להשפיע באופן משמעותי על ההישרדות, (2) לא היו מסוגלים לספק הסכמה מדעת, או (3) אבדו למעקב.

איסוף נתונים קליניים ומעקב

מאפיינים קליניים ונתונים מעבדתיים נחילו באופן רטרוספקטיבי מהרשומות הרפואיות של בית החולים המרכזי של מחוז Binhai ושל בית החולים השני של Huai'an. משתני דמוגרפיה והיסטוריה רפואית כללו מין, גיל, מחלות קרדיווסקולריות, סוכרת, דלקת כבד, שחיתות הכבד, היפרליפידמיה ושבץ מוחי. המדידות המעבדתיות הראשונות שהיו זמינות לאחר האשפז במחלקה הכללית או ביחידה לטיפול נמרץ כללו ספירת תאי דם לבנים (WBC), ספירת טבחים (PLT), המוגלובין (Hb), אלבומין, נתרן, אשלגן, כלוריד, לקטט (Lac), בילירובין כולל (TBil), אלנין אמינוטרנספראז (ALT), אספרטט אמינוטרנספראז (AST), קרייטינין (CR) וחנקן שתן (BUN). התערבויות שתועדו כללו השמה של תומך כיס כיס, כולנגיוגרפיה רטרוגרדית אנדוסקופית (ERCP) וניקוז דרך העור. מדדי חומרת המחלה כללו את מדד SOFA, מדד APS III והצורך בהנשמה מכנית. דגימות דם עובדו באמצעות נהלי מעבדה אוטומטיים סטנדרטיים. חולים ששוחררו כשהם בחיים עובו במעקב באמצעות ביקורי מרפאה או קשר טלפוני כאשר נדרש מעקב. מצב הספסיס הוערך במהלך כל תקופת האשפז על פי קריטריוני Sepsis-3; לפיכך, קבוצת הספסיס כללה חולים עם ספסיס בעת הקבלה ואלו שפיתחו ספסיס מאוחר יותר. מכיוון שזמן ההופעה המדויק של הספסיס לא היה זמין ומשך האשפז בבית החולים נשמר במודל הספסיס הסופי של המחלקה הכללית, לא ניתן היה לקבוע נקודת זמן (landmark) אחידה לחיזוי פרוספקטיבי בעת הקבלה עבור מודל זה. לפיכך, יש לפרש אותו כמודל רטרוספקטיבי לסיווג סיכונים בתוך בית החולים.

תוצאה

המחקר העריך שלוש משימות ניבוי קשורות אך נפרדות. התוצאה העיקרית הייתה מצב ספסיס במהלך האשפוז בקרב מטופלים במחלקות כלליות עם כולנגיטיס חריפה, כפי שנקבע לפי קריטריוני Sepsis-3. התוצאות המשניות היו תמותה בבית החולים מכל סיבה בקרב קבוצת המחלקות הכלליות, שהוגדרה כפטירה לפני השחרור, ותמותה בתוך 28 ימים מכל סיבה בקרב קבוצת ה-ICU, שהוגדרה כפטירה בתוך 28 ימים לאחר הקבלה ל-ICU.

ניתוח סטטיסטי

את ההתפלגות של כל משתנה רציף העריכו באמצעות מבחן Shapiro-Wilk. משתנים בעלי התפלגות נורמלית הוצגו כממוצע ± סטיית תקן והושוו באמצעות מבחן t לדגימות בלתי תלויות (Student's t-test); מבחן Welch's t נעשה בו שימוש כאשר הנחת הומוגניות השונות לא התממשה. משתנים שאינם בעלי התפלגות נורמלית הוצגו כחציונה וטווח בין-רבעוני (IQR) והושוו באמצעות מבחן Wilcoxon rank-sum. משתנים קטגוריאליים הוצגו כשכיחויות ואחוזים והושוו באמצעות מבחן חי-ריבוע או מבחן Fisher's exact, לפי העניין. כל המבחנים היו דו-זנביים, וערך P < 0.05 נחשב למשמעותי מבחינה סטטיסטית.

המטופלים חולקו לשכבות בהתאם לנוכחות או היעדרה של ספסיס. בקבוצת מחלקת האשפוז הכללית, נעשה שימוש ברגרסיה לוגיסטית רב-משתנית כדי לזהות גורמים הקשורים לספסיס; התוצאות מדווחות כיחסי סיכויים (ORs) עם רווחי סמך (CIs) של 95%. עקומות קפלן-מייר ומבחני log-rank שימשו להשוואת ההישרדות בבית החולים בקבוצת מחלקת האשפוז הכללית וההישרדות למשך 28 ימים בקבוצת הטיפול הנמרח (ICU) בין מטופלים עם ספסיס למטופלים ללא ספסיס. מודלים של סיכוני קוק (Cox proportional hazards) הותאמו בנפרד עבור שתי הקבוצות, והתוצאות מדווחות כיחסי סיכון (HRs) עם 95% CIs.

נבנו ארבעה מודלי Cox עם התאמות הדרגתיות. מודל 1 לא היה מותאם. מודל 2 הותאם לגיל ולמין. מודל 3 הותאם בנוסף ליתר לחץ דם, סוכרת, אי-ספיקת לב, שבץ ופגיעה כלייתית. בקוהורט של מחלקות כלליות, מודל 4 הותאם עוד יותר ל-WBC, Hb, PLT, albumin, CR, BUN, AST, ALT, נתרן, אשלגן, כלוריד ו-Lac. בקוהורט של ה-ICU, מודל 4 כלל בנוסף את מדדי ה-APS III וה-SOFA, מכיוון שמדדי חומרה אלו היו זמינים רק עבור חולי ICU.

עבור כל משימת חיזוי, נעשה שימוש בגרעין אקראי (seed) קבוע של 500 כדי לחלק את מערך הנתונים השלם (complete-case dataset) המתאים לקבוצות אימון ותיקוף פנימי ביחס של 7:3. כל הליכי בחירת המאפיינים בוצעו באופן בלעדי בקבוצת האימון; קבוצת התיקוף הפנימי לא שימשה לבחירת המנבאים. בתוך קבוצת האימון, נעשה שימוש ברגרסיית LASSO עם וולידציה צולבת של 10 קיפולים (10-fold cross-validation) ובאלגוריתם Boruta כדי לזהות מנבאים פוטנציאליים. עבור LASSO, נשמרו מנבאים עם מקדמים שאינם אפס ב-lambda.min. אלגוריתם Boruta הופעל באופן עצמאי עד ל-5,000 איטרציות. המנבאים הפוטנציאליים שהתקבלו שימשו באופן עקבי לפיתוח ארבעה מודלים עבור כל משימה: LR, RF, SVM ו-XGBoost. משתנים קליניים בינאריים קודדו כ-0 או 1. לא הוחלה נורמליזציה או טרנספורמציה ידנית לפני התאמת LR, RF או XGBoost. נרמול (Scaling) עבור LASSO ו-SVM בוצע לפי הגדרות ברירת המחדל של מימושי התוכנה שלהם, ופרמטרי עיבוד מקדימים שנגזרו מקבוצת האימון הוחלו ללא שינוי על קבוצת התיקוף הפנימי. לא נעשה שימוש בדגימה יתר (oversampling), דגימה חסרה (undersampling), בטכניקה של דגימת יתר סינתטית למיעוט (SMOTE), או בשקלול מחלקות שנקבע ידנית. המודל בעל הביצועים הטובים ביותר הוגדר כמודל עם ביצועי התיקוף הפנימי הכוללים הגבוהים ביותר מבין ארבעת המימושים שנקבעו מראש, ולא כגרסה מותאמת באופן מלא של כל אלגוריתם. לאחר מכן, המודלים שהותאמו לקבוצת האימון הוערכו בקבוצת התיקוף הפנימי. זרימת העבודה המלאה מוצגת ב-Supplementary Figure 1, ופרטי המימוש מופיעים ב- Supplementary Table 1.

ביצועי המודל הוערכו באמצעות השטח תחת עקומת מאפייני תגובת המקלט (AUC), רגישות, סגוליות, recall, מדד F1 ודיוק. AUC מסכם את היכולת להבחין בין מחלקות על פני כל ספי תסגול אפשריים, כאשר 0.5 מעיד על היעדר הבחנה ו-1.0 מעיד על הבחנה מושלמת. בסף שנבחר, חיוביים אמיתיים (TP) ושליליים אמיתיים (TN) היו מקרים חיוביים ושליליים שסווגו נכון, בעוד שחיוביים שגויים (FP) ושליליים שגויים (FN) היו מקרים שסווגו באופן שגוי. הרגישות, השקולה ל-recall בסיווג בינארי, חושבה כ-TP/(TP + FN); הסגוליות כ-TN/(TN + FP); הדיוק (precision) כ-TP/(TP + FP); מדד F1 כ-2 × precision × recall/(precision + recall); והדיוק הכללי (accuracy) כ-(TP + TN)/(TP + TN + FP + FN). המחלקות החיוביות היו אלח דם (סווג כ-1) עבור מודל חיזוי אלח דם במחלקה כללית, מוות בבית החולים (סווג כ-1) עבור מודל תמותה בבית החולים במחלקה כללית, ומוות תוך 28 ימים (סווג כ-1) עבור מודל תמותה ב-28 ימים ביחידה לטיפול נמרץ (ICU). המחלקות השליליות התואמות היו היעדר אלח דם, שחרור בחיים והישרדות ב-28 ימים (כולם סווגו כ-0), בהתאמה.

ארבעה אלגוריתמים של למידה עם פיקוח נבחרו כדי לייצג אסטרטגיות משלימות עבור נתונים קליניים מובנים. LR שימש כמודל ייחוס ניתן לפירוש עבור קשרים ליניאריים אדיטיביים. RF ייצג אנסמבל מבוסס bagging המסוגל למדל קשרים ואינטראקציות לא ליניאריים תוך הפחתת השונות. SVM ייצג מסווג מבוסס שוליים המסוגל להתאים גבולות החלטה לא ליניאריים במערכי נתונים בגודל בינוני. XGBoost ייצג אלגוריתם boosting עם רגולריזציה המסוגל ללכוד אינטראקציות מסדר גבוה ודפוסים לא ליניאריים. כל האלגוריתמים השתמשו באותה קבוצת מנבאים מועמדים והוערכו באותן קבוצות אימון ותיקוף פנימי עבור כל משימת ניבוי.

ניתוח SHAP בוצע עבור המודל בעל הביצועים הטובים ביותר עבור כל תוצאה, כדי לכמת את חשיבות התכונות הגלובלית ולהסביר תחזיות פרטניות. פיתוח הנומוגרמה בוצע בהתאם לנהלים ספציפיים לכל תוצאה. עבור תוצאת ספסיס במחלקה כללית, מנבאים פוטנציאליים הוזנו למודל רגרסיה לוגיסטית רב-משתנית, ומשתנים שנותרו מובהקים סטטיסטית ב-P < 0.05 נכללו בנומוגרמה הסופית. עבור שתי תוצאות התמותה, הכללת המנבאים התבססה על תוצאות חשיבות התכונות הגלובליות של SHAP מהמודלים בעלי הביצועים הטובים ביותר התואמים, ללא שלב נוסף של פסילה המבוססת על ערך P.

במהלך הרכבת מסד הנתונים באופן רטרוספקטיבי, רשומות שחסרו בהן נתונים קליניים, מעבדתיים או נתוני תוצאה הנדרשים לניתוח הרלוונטי הוצאו לפני הכניסה למערך הנתונים האנליטי הסופי. לא נשמר יומן סינון מפורט של שלב טרום-ההזנה; לפיכך, לא ניתן היה לשחזר את מספר הרשומות שהוצאו עקב נתונים חסרים ואת דפוסי החסר המקוריים ברמת המשתנה. קבוצת המחלקה הכללית הסופית (n = 1,561) וקבוצת ה-ICU הסופית (n = 438) לא הכילו ערכים חסרים עבור המשתנים ששימשו בניתוחים המתאימים (0% חסר), ולא בוצע השלמה סטטיסטית (imputation). כל 1,561 המטופלים מהמחלקה הכללית נכללו בניתוחי הספסיס והתמותה בבית החולים, וכל 438 המטופלים מה-ICU נכללו בניתוח התמותה בטווח של 28 ימים. השלמות ברמת המשתנה במערכי הנתונים הסופיים מפורטת ב-Supplementary Table 2.

ניתוחי למידת מכונה בוצעו באמצעות פלטפורמת ניתוח למידת מכונה. ניתוחים סטטיסטיים קונבנציונליים בוצעו באמצעות סביבת מחשוב סטטיסטית בקוד פתוח ותוכנה סטטיסטית. כל המבחנים הסטטיסטיים היו דו-זנביים, וערך P < 0.05 נחשב למשמעותי מבחינה סטטיסטית.

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

תוצאות

מאפייני בסיס של קבוצות המחקר

המחקר כלל 1,9 מטופלים שאושפזו עם כולנגיטיס חריפה (acute cholangitis): 1,561 בקבוצת המחלקה הכללית ו-438 בקבוצת ה-ICU. בקבוצת המחלקה הכללית, 54 מטופלים פיתחו או סבלו מאלספסיס, ו-1,017 לא; בקבוצת ה-ICU, 29 מטופלים סבלו מספסיס, ו-139 לא. מאפייני הבסיס, בחלוקה לפי מצב ספסיס, מוצגים ב-Table 1. בקבוצת המחלקה הכללית, מטופלים עם ספסיס היו מבוגרים יותר והראו ערכי potassium, AST, CR ו-BUN גבוהים יותר ממטופלים ללא ספסיס (כולם P < 0...

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

דיון

דלקת דרכי מרה חריפה (Acute cholangitis) היא זיהום של דרכי המרה שעלול לסכן חיים. למרות שמחלה קלה מגיבה לרוב היטב לטיפול, שיעורי התמותה המדווחים עשויים להגיע ל-50% במקרים חמורים1,5. התמותה עשויה להתקרב ל-40% כאשר מתפתח הלם ספטי14. אלח דם (Sepsis) מעיד על כך שהזיהום אינו מוגבל עוד לדרכי המרה ועשוי להתקדם במהירות לדלקת מערכתית וכשל רב-איברי. לכן, זיהוי גורמים הקשורים לאלח דם ותוצאות שליליות הוא חשוב, במיוחד בקרב מטופלים הזקוקים לטיפול ביחידה ל...

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

גילויים

המחברים מצהירים כי אין להם ניגודי אינטרסים פיננסיים או שאינם פיננסיים. ChatGPT (OpenAI) שימש במהלך תיקון כתב היד כדי לסייע בעריכת השפה, בדקדוק, בבהירות ובארגון. הוא לא שימש ליצירה או לניתוח של נתוני המחקר או להסקת מסקנות מדעיות באופן עצמאי. כל התוכן שנוצר בסיוע בינה מלאכותית נבחן באופן ביקורתי ואומת על ידי המחברים, הנושאים באחריות מלאה לדיוק, ליושרה ולמקוריות של כתב היד. הסכמה להשתתפות: הסכמה מדעת בכתב התקבלה מכל המשתתפים או מנציגיהם המוסמכים על פי חוק.

תודות

תודה לכל השותפים למאמר זה על ניתוח הנתונים והכתיבה. מימון: עבודה זו נתמכה על ידי פרויקט מחקר החדשנות השיתופי של Jiangsu Medical College לשנת 2024 בין בית הספר לממשלה המקומית (202491011,202491007). לשכת המדע והטכנולוגיה של Changzhou (CJ20239026, CJ20244028).

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

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Boruta (R package)[version/CRAN]אלגוריתם לבחירת תכונות (Feature-selection) המופעל בתוך קהילת האימון
glmnet / LASSO (R package)[version/CRAN]רגרסיית LASSO עם 10-fold cross-validation לבחירת תכונות
RR Foundation for Statistical Computingversion 4.3.2סביבת מחשוב סטטיסטי בקוד פתוח
SHAP implementation[version]Shapley Additive Explanations לפירוש המודל
StataStataCorpversion 17.0תוכנה סטטיסטית לניתוחים קונבנציונליים
XGBoost implementation[version]מודל Extreme Gradient Boosting
Xsmart Analysis platform[version]פלטפורמה לניתוח באמצעות למידת מכונה

מקורות

  1. An Z, Braseth AL, Sahar N. Acute cholangitis: causes, diagnosis, and management. Gastroenterol Clin North Am. 2021;50:403–14.
  2. Gravito-Soares E, et al. Clinical applicability of Tokyo Guidelines 2018/2013 in diagnosis and severity evaluation of acute cholangitis and determination of a new severity model. Scand J Gastroenterol. 2018;53:329–34.
  3. Cianci P, Restini E. Management of cholelithiasis with choledocholithiasis: endoscopic and surgical approaches. World J Gastroenterol. 2021;27:4536–54.
  4. Lan Cheong Wah D, Christophi C, Muralidharan V. Acute cholangitis: current concepts. ANZ J Surg. 2017;87:554–59.
  5. Cecconi M, Evans L, Levy M, Rhodes A. Sepsis and septic shock. Lancet. 2018;392:75–87.
  6. Rudd KE, et al. Global, regional, and national sepsis incidence and mortality, 1990–2017: analysis for the Global Burden of Disease Study. Lancet. 2020;395:200–11.
  7. Xie J, et al. The epidemiology of sepsis in Chinese ICUs: a national cross-sectional survey. Crit Care Med. 2020;48:e209–e218.
  8. Wilkins T, Agabin E, Varghese J, Talukder A. Gallbladder dysfunction: cholecystitis, choledocholithiasis, cholangitis, and biliary dyskinesia. Prim Care. 2017;44:575–97.
  9. Qiu X, Lei YP, Zhou RX. SIRS, SOFA, qSOFA, and NEWS in the diagnosis of sepsis and prediction of adverse outcomes: a systematic review and meta-analysis. Expert Rev Anti Infect Ther. 2023;21:891–900.
  10. Knaus WA, et al. The APACHE III prognostic system: risk prediction of hospital mortality for critically ill hospitalized adults. Chest. 1991;100:1619–36.
  11. Pötter-Lang S, et al. Modern imaging of cholangitis. Br J Radiol. 2021;94:20210417. doi:10.1259/bjr.20210417.
  12. Banerjee S. Generating complex explanations for artificial intelligence models: an application to clinical data on severe mental illness. Life (Basel). 2024;14:807. doi:10.3390/life14070807.
  13. Karako K, Tang W. Applications of and issues with machine learning in medicine: bridging the gap with explainable AI. Biosci Trends. 2024;18:497–504.
  14. Beliaev AM, Zyul'korneeva S, Rowbotham D, Bergin CJ. Screening acute cholangitis patients for sepsis. ANZ J Surg. 2019;89:1457–61.
  15. Fathi M, Markazi-Moghaddam N, Ramezankhani A. A systematic review on risk factors associated with sepsis in patients admitted to intensive care units. Aust Crit Care. 2019;32:155–64.
  16. Liu Q, et al. A nomogram for predicting the risk of sepsis in patients with acute cholangitis. J Int Med Res. 2020;48:300060519866100. doi:10.1177/0300060519866100.
  17. Singer M, et al. The third international consensus definitions for sepsis and septic shock (Sepsis-3). JAMA. 2016;315:801–10.
  18. Joffre J, Hellman J, Ince C, Ait-Oufella H. Endothelial responses in sepsis. Am J Respir Crit Care Med. 2020;202:361–70.
  19. Mitchell E, Pearce MS, Roberts A. Gram-negative bloodstream infections and sepsis: risk factors, screening tools and surveillance. Br Med Bull. 2019;132:5–15.
  20. Fan S, Ma J. The value of five scoring systems in predicting the prognosis of patients with sepsis-associated acute respiratory failure. Sci Rep. 2024;14:4760. doi:10.1038/s41598-024-55257-5.
  21. Pérez-Fernández X, et al. Clinical variables associated with poor outcome from sepsis-associated acute kidney injury and the relationship with timing of initiation of renal replacement therapy. J Crit Care. 2017;40:154–60.
  22. Lambden S, Laterre PF, Levy MM, François B. The SOFA score—development, utility and challenges of accurate assessment in clinical trials. Crit Care. 2019;23:374. doi:10.1186/s13054-019-2663-7.
  23. Inan O, Sahiner ES, Ates I. Factors associated with clinical outcome in geriatric acute cholangitis patients. Eur Rev Med Pharmacol Sci. 2023;27:3313–21.
  24. Bakker J, Postelnicu R, Mukherjee V. Lactate: where are we now? Crit Care Clin. 2020;36:115–24.
  25. Brooks GA. The science and translation of lactate shuttle theory. Cell Metab. 2018;27:757–85.
  26. Salek J, Livote E, Sideridis K, Bank S. Analysis of risk factors predictive of early mortality and urgent ERCP in acute cholangitis. J Clin Gastroenterol. 2009;43:171–75.
  27. Schneider J, et al. Mortality risk for acute cholangitis (MAC): a risk prediction model for in-hospital mortality in patients with acute cholangitis. BMC Gastroenterol. 2016;16:15. doi:10.1186/s12876-016-0428-1.
  28. Lee TW, et al. Incidence, risk factors, and prognosis of acute kidney injury in hospitalized patients with acute cholangitis. PLoS One. 2022;17:e0267023. doi:10.1371/journal.pone.0267023.

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

הדפסות חוזרות והרשאות

גלה מאמרים נוספים

ניבוי ספסיסרגרסיה לוגיסטיתיער אקראימכונת וקטורים תומכיםמודל XGBoostפרשנות SHAP
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.