研究記事

肺がんICU患者の28日間全因死亡率を予測するためのアルブミンおよび機械学習モデル

DOI：

10.3791/70067

⸱

2026年4月3日

 ,  ,  ,  ,  ,  , 
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

この記事について

サマリー

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

本プロトコルは、MIMIC-IVデータベースからICU臨床データを抽出し、生存分析および解釈可能な機械学習モデルを段階的に適用して、肺がん患者の28日間死亡率の予測因子としての血清アルブミンを評価する方法を詳述しています。

要約

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

血清アルブミンは栄養状態、全身炎症、疾患負荷を反映しています。しかし、重症肺がん患者に対する予後的重要性は依然として明確ではありません。本研究は、肺がん患者の集中治療室(ICU)患者における血清アルブミンと28日間の全因死亡との関連を調査し、その機械学習(ML)モデルにおける予測価値を評価することを目的としました。この後ろ向きコホート研究には、Medical Information Mart for Intensive Care IV(MIMIC-IV)データベースから1,274人の成人ICU肺がん患者が含まれていました。多変数Cox比例ハザードモデルは血清アルブミンと28日死亡率の関連を評価しました。追加の解析には、制限立方スプライン、カプラン–マイヤー生存曲線、サブグループ解析が含まれていました。ML分類器は、最小絶対収縮・選択演算子(LASSO)と特徴選択用にBorutaを用いて開発されました。最適モデルとしてロジスティック回帰が選ばれ、解釈にはSHapley加法説明(SHAP)値を用いました。1,274人の患者のうち、28日間の死亡率は26.9%でした。血清アルブミン濃度の低下は28日死亡率の上昇と独立して関連していました。血清アルブミンが1g/dL増加するごとにリスク比は0.729(95%信頼区間、0.597–0.891; p = 0.002)を。血清アルブミンの四分位数で逆相関が観察され(pは傾向<0.001)、Kaplan–Meier解析ではアルブミン≥2.9 g/dLの患者の死亡率が低いことが示されました(対数ランクp < 0.0001)。ロジスティック回帰モデルは検証コホートでAUC0.767を達成し、良好な識別と校正を示しました。SHAP解析により血清アルブミンが28日死亡率の主要な予測因子であることが特定されました。血清アルブミンの低下は、肺がん患者のICU患者における短期死亡率の増加と独立して関連していました。血清アルブミンは、この集団における早期リスク層別化の実用的なバイオマーカーとして機能する可能性があります。アルブミンを取り入れたMLモデルは、強い予測性能と解釈可能性を示しました。

概要

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

肺がんは世界中で最も一般的かつ致死率の高い悪性腫瘍の一つであり続けています。グローバルがん観測所(GLOBOCAN 2020)の報告によると、肺がんは新たに特定された全がん症例の約11.4%を占め、がん関連死の主な原因であり、世界中のがん死亡の約18%に寄与しています1。早期診断技術、化学療法のレジメン、標的治療法において大きな進展があったものの、肺がんの全体的な5年生存率は主に後期症状と非常に攻撃的な性質により20%未満にとどまっています2。

肺がんと診断された多くの人は、急性呼吸困難、重篤な感染症、出血などの合併症が原因で、病気の経過期間中ずっと集中治療室(ICU)への入院を必要とします。これらはがんの進行や治療に伴う副作用に起因することがあります。この患者群において、ICU入院は短期予後不良と強く関連しており、報告された28日以内の死亡率は30%から60%の間で、より広範なICU患者群を大きく上回っています3。これまでのICUの肺がん患者コホートでは、併存疾患が非常に多く、高血圧と糖尿病はそれぞれ約46.1%と37.9%で報告されています。さらに、これらの患者のほぼ半数が中等度から重度の基礎機能障害(45.6%)を有しており、ICU管理を複雑化し、短期的な転帰不良に寄与する可能性があります。ICU環境における重症肺がん患者のケアは、治療上の複雑さを伴います。これらの患者の臨床判断では、人工呼吸の開始、血管圧迫剤の投与、広範囲スペクトル抗生物質の投与など、複雑な評価が求められ、これらすべては逆転の可能性が限定的な基礎がんの枠組みの中で考慮されなければなりません。腫瘍の進行、持続的な全身性炎症反応、臓器機能の低下、栄養不足など、早期死亡に対する脆弱性の高まりには複数の要因があります。低アルブミン血症は、この患者集団における早期死亡に関連する主要な臨床要因の一つとしてしばしば特定されています。血清アルブミンは、がん関連の悪液質による慢性栄養失調と重篤疾患中の急性全身炎症反応の両方を反映する指標として機能し、重要な予後情報を提供する可能性があります。血清アルブミンは臨床現場で日常的に測定されていますが、ICUに入院した肺がん患者における予後価値は十分に調査されておらず、現行のリスク予測ツールからはほとんど見られていません7。短期死亡率の上昇と臨床的文脈での管理の複雑さを考慮すると、早期リスク評価を促進し治療決定を助けるために、容易に入手可能で実用的なバイオマーカーの必要性が切実に求められています。このような背景を踏まえ、血清アルブミンは重症肺がん患者における予後的重要性を明らかにするためのさらなる研究が必要です。

がん関連リスク因子の複雑かつ相互に関連する特性のため、従来の統計手法は高次元の臨床データセットに埋め込まれた内在的な非線形関連を効果的にモデル化する上でしばしば課題に直面しています。機械学習(ML)手法の登場により、がんリスク予測を改善する新たな道が生まれました。ランダムフォレスト(RF)、極端勾配ブースティング(XGBoost)、サポートベクターマシン(SVM)などの技術は、生物医学研究に広く応用されており、複雑なデータパターンの管理や優れた予測精度の提供に強い能力を示しています(11,12)。しかしながら、これらのモデルの不透明またはブラックボックス的な特性は解釈可能性を制限し、臨床現場への統合を妨げています。この欠点を克服するために、ゲーム理論に基づく手法であるSHapley加法説明(SHAP)が導入され、モデルの透明性を向上させる強力なツールとなっています。各特徴のシェイプリー値を計算することで、SHAPは特定の変数がモデル出力に与える影響を効果的に定量化し、解釈可能性と信頼性の両方を向上させます14。このアプローチは、機械学習モデルの臨床応用を促進する手段として、生物医学研究における採用が増加しています。

これらの要因を考慮し、本研究は、Medical Information Mart for Intensive Care IV(MIMIC-IV)データベースから得られた臨床情報を用いて、肺がんと診断された重症患者における血清アルブミンの予後的重要性を徹底的に探求することを目的としました。この目的を達成するために、従来の統計解析と機械学習手法の両方を活用しました。私たちの知る限り、血清アルブミンを独立した予後因子として、かつ臨床的に解釈可能な寄与因子として機械学習モデル内で検証した研究はほとんどなく、特に肺がん患者のICU患者において15です。既存の研究の多くは一般ICU集団または非ICU腫瘍コホートに焦点を当てており、重症がん患者の機械学習ベースの予後モデルは、個々のバイオマーカーの臨床的貢献を明示的に評価することなく、予測性能を重視してきた16。

この文脈で、本研究は従来の生存分析と機械学習手法、SHAPベースの解釈を統合し、血清アルブミンと28日間の全因死亡率との関連を明確にし、この高リスク集団に合わせた解釈可能な予測枠組みの中でその相対的重要性を定量化します。当初は、血清アルブミンレベルと28日間全因死亡率の独立関係を評価するために多変数Cox比例ハザードモデルを用い、関連する交絡因子の調整も行いました。同時に、MLアルゴリズムを用いて主要な予後決定因子を特定し、血清アルブミンが全体的な予測能力にどの程度寄与しているかを調査する予測モデルを構築しました。特に、血清アルブミンの相対的な影響を他の臨床特徴と比較して定量化できるSHAPを用いてモデル解釈可能性の向上に重点を置きました。血清アルブミンを日常的に収集する臨床指標と組み合わせることで、本研究は早期臨床意思決定を強化し、この高リスクコホートに対する個別ケアを可能にする堅牢で解釈可能なリスク階層化ツールの確立を目指しています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

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

データベースアクセスとソフトウェア環境
倫理的データ利用に関する必要な研修(認証ID: 69002811)を修了後、Medical Information Martの集中治療IVデータベース(MIMIC-IV、v3.1)への認可アクセスを取得してください。2023年2月18日、中国の『生命科学および医療研究の倫理審査措置』によれば、第32条は合法的に取得した公的データ、公共の行動を妨げずに生成されたデータ、匿名化された情報を用いた研究は倫理審査の対象外であると規定しています。これらの規定に則り、本研究は機関の倫理承認から除外されました。データ利用プロトコルと倫理ガイドラインは厳格に遵守され、研究は科学的研究のみを目的として実施されました。PostgreSQL(v17.1.11)を使ってデータベース環境を構築します。Navicat Premium(v17)をデータベース管理およびクエリインターフェースとして使い、SQLクエリを実行し、抽出したデータセットをエクスポートして分析してください。

患者選択
国際疾病分類第9版および第10版(ICD-9およびICD-10)コード17を用いて、MIMIC-IVの肺がん患者を識別します。以下の除外基準を順に適用してください:年齢<18歳または90歳>;ICU入院後24時間以内の血清アルブミン測定値の欠落;複数回のICUまたは病院入院;ICUの滞在期間<24時間。

変数抽出
Navicat Premium(v17)経由でPostgreSQL(v17.1.11)を用いてMIMIC-IV(v3.1)から、人口統計、バイタルサイン、検査室検査、併存疾患、治療介入、重症度スコア、アウトカムを含む変数を抽出します。人口統計:年齢、性別。ICU入院後最初の24時間以内のバイタルサイン:心拍数(HR)、呼吸数(RR)、酸素飽和度(SpO₂)、体温。最初の24時間の検査結果:血清アルブミン、グルコース、クレアチニン、尿素窒素、総ビリルビン、ヘモグロビン、赤血球(RBC)数、白血球(WBC)数、血小板数、赤血球分布幅(RDW)、アラニンアミノトランスフェラーゼ(ALT)、アスパラギン酸アミノトランスフェラーゼ(AST)、プロトロンビン時間(PT)、カルシウム、カリウム、ナトリウム、塩化物。診断記録からの併存症:高血圧、肝硬変、慢性腎臓病、糖尿病、慢性気管支炎、うっ血性心不全、慢性閉塞性肺疾患(COPD)。ICU入院時の重症度スコア:逐次臓器不全評価(SOFA)、簡易急性生理学スコアII(SAPS II)、チャールソン併存疾患指数、急性生理学および慢性健康評価II(APACHE II)。治療的介入:全身性コルチコステロイド、抗生物質、血管圧迫剤。生活習慣の要因:喫煙歴。すべての検査変数および重症度スコアについて、最初の24時間以内の複数の測定値があれば、1日目の 平均値を計算し、この値を分析に用いてください。20%以上の欠損データを持つ変数を除外します。欠損率≤20%)の変数については、混合型臨床データを扱うためのランダムフォレストベースの機械学習手法であるmissForestアルゴリズムを用いて補完を行います。主要変数の欠損データの割合は 補足表1に示されています。

アウトカムの定義
主要評価項目をICU入院後28日以内の全因死亡率と定義します。MIMIC-IVデータベースにある死亡記録を用いて死亡状況を把握します。患者を生存者または非生存者に28日間の死亡率に基づいて分類します。

統計解析
連続変数の分布をシャピロ–ウィルク検定を用いて評価します。スチューデントのt検定を用いた正規分布変数と、ウィルコクソンランク和検定を用いた非正規分布変数を比較します。カイ二乗検定を用いてカテゴリ変数を比較します。10折り交差検証を伴う最小絶対縮小および選択演算子(LASSO)回帰を用いて候補変数を選択し、多重共線性を低減します。血清アルブミンと28日死亡率の独立関連を評価するために、多変数Cox比例ハザードモデルを構築します。血清アルブミンは連続変数およびカテゴリー変数の両方として入力され、LASSO回帰によって選択された共変量も調整のために含まれました。ハザード比(HR)および95%信頼区間(CI)が推定されました。制限立方スプライン(RCS)解析を用いて非線形関連を探ります。結び目はアルブミン分布のあらかじめ定められたパーセンタイルに配置され、非線形性はスプライン項のテストで評価されました。カプラン–マイヤー生存曲線を作成し、対数ランク検定を用いて生存分布を比較します。

機械学習モデルの開発と検証
患者レベルでデータセットをランダムにトレーニングセット(70%)、検証セット(15%)、独立テストセット(15%)に分割しました。特徴選択は、LASSO回帰とBorutaアルゴリズムで選択された変数の交差点を特定することで訓練セットのみを用いて行い、安定的かつ関連性の高い予測変数のみを保持します。訓練セット上で、ロジスティック回帰、ランダムフォレスト、決定木、サポートベクトルマシン、XGBoost、LightGBM、補素ベイズ、サポートベクトル分類器を含む8つの機械学習分類器を訓練します。モデルの性能はまず検証セットで評価され、その後独立テストセットでAUC-ROC、AUC-PR、精度、感度、特異度、キャリブレーション曲線、決定曲線解析、学習曲線を用いて確認されました。

モデル解釈と終点
検証性能指標に基づいて、最も性能の高い機械学習モデルを特定しましょう。SHapley加法説明(SHAP)を適用して、各特徴が死亡率予測にどれほど寄与するかを定量化します。血清アルブミンやその他の予測因子の相対的重要性と方向性を可視化するために、SHAPの概要および依存性プロットを作成します。統計学と機械学習の結果を統合して分析を完成させ、解釈可能なリスクストラティフィケーションの枠組みを確立します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

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

基準的特徴
合計1,274名の肺がん患者が特定され、MIMIC-IVデータベースから抽出されました(図1)。コホートの中央値年齢は69歳(IQR:61–77)で、男性は51.18%でした。全体で、ICU入院後28日以内に死亡した患者は343人(26.92%)でした。28日生存状況に基底の特徴を階層化したものは 表1に示されています。生存者と比較して、非生存者はAPACHE II、チャールソン併存指数、SAPS II、SOFAスコア(いずれもp < 0.001)が上昇し、疾患の重症度が有意に高かった。バイタルサインに関しては、生存していない人は呼吸数と心拍数が高く、酸素飽和度が低い(いずれも p < 0.01)で、体温には有意な差は認められませんでした。実験室の結果、生存していない人は白血球数、赤血球分布幅、尿素窒素、クレアチニン、総ビリルビン、AST、ALT、カリウム、プロトロンビンの時間が有意に増加し...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

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

本研究では、MIMIC-IVデータベースのデータを用いて、肺がんICU患者の血清アルブミンレベルと28日間の全因死亡率との関連を調べました。血清アルブミン値の低下は、幅広い臨床共変量の調整後でも独立して28日以内の死亡率リスクが高いと関連していました。この関連性は、Cox比例ハザードモデルやML手法を含む様々な分析手法で一貫していました。サブグループ解析では、臨床的に関連性の高い層間でのこの関連の安定性がさらに示され、有意な相互作用は検出されませんでした。さらに、SHAPベースのモデル解釈により、血清アルブミンが短期死亡率の予測において相対的に重要であることが明らかになり、この集団の臨床リスク評価における潜在的な有用性が示唆されました。

我々の発見は、ICU集団における低アルブミン血症が良好な予帰の強い予測因子であると特定した先行研究と一致しています(6,18)。低アルブミン血症は、重症患者において...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

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

著者たちは競合する利害関係を一切認めていない。

謝辞

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

本研究に対して全著者の重要な貢献に心から感謝いたします。彼らのかけがえのない努力が成功に大きく貢献しました。本研究は中国国家自然科学基金(82174415、82405441)、中国伝統医学院科学技術イノベーションプロジェクト(CI2021A01818、C12021A03307、C12021A05054)、および中国医学科学院望景病院高級伝統医学病院建設プロジェクト(WJYY-XZKT-2023-25)によって資金提供されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
Medical Information Mart for Intensive Care IV (MIMIC-IV) Databaseマサチューセッツ工科大学http: //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)オープンソースソフトウェア

参考文献

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

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

28 Cox SHAP

関連記事