Modelowanie trajektorii limfocytów do przewidywania ryzyka śmiertelności w ARDS związanym z zapaleniem płuc

Langqing Xu; Dan Li; Hongying Sun; Lei Song

doi:10.3791/69338

Artykuł metodologiczny

Modelowanie trajektorii limfocytów do przewidywania ryzyka śmiertelności w ARDS związanym z zapaleniem płuc

DOI:

10.3791/69338

⸱

21 listopada 2025

Langqing Xu¹ , Dan Li¹ , Hongying Sun¹ , Lei Song¹

¹Department of Respiratory and Critical Medicine, The First Hospital of Jilin University

W tym artykule

Podsumowanie

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

Niniejsze badanie odnosi się do istotnej luki w modelach prognostycznych dla zespołu ostrego niedociągania oddechowego związanego z zapaleniem płuc, wprowadzając nowatorską metodę wykorzystującą dynamiczne trajektorie limfocytów, zamiast jednopunktowych pomiarów, do stratyfikacji ryzyka śmiertelności.

Streszczenie

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

Zespół ostrego niedorostu oddechowego związany z zapaleniem płuc (ARDS) charakteryzuje się wysoką śmiertelnością, jednak obecne modele prognostyczne często opierają się na statycznych biomarkerach, które nie rejestrują dynamicznych odpowiedzi immunologicznych. Protokół ten wprowadza powtarzalne ramy obliczeniowe, które wykorzystują modelowanie trajektorii oparte na grupach (GBTM) do identyfikacji wyraźnych trajektorii liczenia limfocytów i oceny ich prognostycznej wartości dla ryzyka śmiertelności u pacjentów z ARDS z zapaleniem płuc. Wykorzystując dane wyodrębnione z bazy danych MIMIC-IV v2.2, protokół szczegółowo opisuje każdy etap od kuracji i wstępnego przetwarzania danych po konstrukcję trajektorii i walidację modelu. Podejście obejmuje identyfikację podgrup za pomocą GBTM, a następnie wielowymiarowe analizy logistyczne i regresji Coxa w celu ilościowego określenia zależności między wzorcami trajektorii a śmiertelnością w ciągu 28 dni, uwzględniając kluczowe kliniczne kowarianty, takie jak wynik APS III, pobyt na OIOM-ie czy tętno. Wydajność modelu jest kompleksowo oceniana za pomocą krzywych ROC, wykresów kalibracyjnych oraz analizy krzywych decyzyjnych, co zapewnia zarówno statystyczną odporność, jak i interpretowalność kliniczną. Wykorzystując dane immunologiczne podłużne zamiast pomiarów pojedynczych punktów czasowych, ten workflow zapewnia klinicystom metodologicznie przejrzystą, opartą na danych strategię poprawy stratyfikacji ryzyka i badania heterogeniczności immunologicznej w chorobach krytycznych. Protokół jest w pełni powtarzalny, adaptowalny do innych biomarkerów podłużnych i zaprojektowany do wizualizacji oraz demonstracji instruktażowej, co czyni go dostępnym narzędziem dla badaczy chcących zintegrować modelowanie markerów czasowych z prognostyką intensywnej terapii.

Wprowadzenie

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

Zespół ostrego niedorostu oddechowego (ARDS) to powszechny i klinicznie złożony ostry zespół zapalny płuc, o śmiertelności sięgającej nawet 40%¹. Jeśli ARDS łączy się z zapaleniem płuc, wiąże się z wysoką śmiertelnością^{u pacjentów w} stanie krytycznym 2. Niedawno opublikowane badanie kliniczne lub metaanalizy dotyczące ARDS wykazały sprzeczne wnioski w wielu aspektach, co może wynikać z różnych powodów³. Limfocyty są niezbędne w odpowiedzi immunologicznej podczas zapalenia płuc, przy czym limfopenia wiąże się ze zwiększoną podatnością na wtórne infekcje, wyższym nasileniem sepsy oraz śmiertelnością⁴. Na przykład liczba limfocytów poniżej 0,5 x 10^{9 komórek}/L przy przyjęciu wiąże się ze złą rokowaniem⁵. Jednak wcześniejsze badania nie dostarczyły przekonujących dowodów na związek między zmianami dynamiki limfocytów a implikacjami prognostycznymi.

Baza danych MIMIC-IV dostarcza rzeczywiste dane kliniczne z szerokim zakresem pacjentów, ułatwiając szczegółowe analizy podgrupowe, gdzie dostępne są podłużne liczby limfocytów. Aby modelować te dynamiki czasowe, zastosowaliśmy modelowanie trajektorii oparte na grupach (GBTM), półparametryczne podejście mieszanki skończonej, które identyfikuje utajone podgrupy podążające za odrębnymi trendami podłużnymi, zamiast narzucać jedną średnią trajektorię⁶. W porównaniu z innymi metodami grupowania podłużnego lub szeregowego czasowego, GBTM oferuje konkretne zalety w analizie biomarkerów klinicznych: uwzględnia niezrównoważone lub brakujące obserwacje typowe dla elektronicznej dokumentacji medycznej, bezpośrednio modeluje prawdopodobieństwo przynależności do podgrupy oraz tworzy łatwo interpretowalne profile trajektorii idealne do stratyfikacji ryzyka.

Dlatego to badanie przedstawia protokół stosowania GBTM do identyfikacji trajektorii limfocytów i oceny ich związku z 28-dniową śmiertelnością u pacjentów z ARDS z zapaleniem płuc. Metodologia ta ma zastosowanie do danych laboratoryjnych podłużnych, gdzie w ciągu pierwszych 7 dni od diagnozy ARDS dostępne są co najmniej dwa pomiary na pacjenta. Takie podejście zapewnia powtarzalne ramy do wykorzystania dynamicznych, rutynowo zbieranych biomarkerów w celu poprawy oceny prognosycznej i badania heterogeniczności układu odpornościowego w chorobach krytycznych.

Badanie to obejmuje dwa etapy. Najpierw uzyskano dane kliniczne i przeżywalności dla ARDS w połączeniu z zapaleniem płuc z bazy danych MIMIC-IV. Następnie zastosowano oprogramowanie R (wersja 4.4.1) do wyznaczania trajektorii zmian limfocytów i analizy zależności między trajektoriami limfocytów a wskaźnikiem śmiertelności w ciągu 28 dni.

Protokół

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

Badanie to nie wymaga etycznego zatwierdzenia ani zgody na udział. Dane wykorzystane w tym badaniu pochodzą z baz danych. Badanie to wykorzystało zdezidentyfikowaną bazę danych MIMIC-IV, która została zatwierdzona przez Institutional Review Boards (IRB) Beth Israel Deaconess Medical Center oraz Massachusetts Institute of Technology. Wymóg indywidualnej zgody pacjenta został zniesiony. Naukowcy muszą ukończyć uznany kurs etyki badań na ludziach (numer CITE: 64579441, Langqing Xu) oraz uzyskać formalny dostęp do danych z platformy PhysioNet.

1. Populacja badawcza i ekstrakcja danych

Uzyskaj dane do badania retrospektywnego z bazy danych Medical Information Mart for Intensive Care (MIMIC)-IV, utrzymywanej przez Computational Physiology Laboratory na Massachusetts Institute of Technology. Dane obejmują dane kliniczne dotyczące 58 000 pacjentów przyjętych na OIOM Beth Israel Deaconess Medical Center (Boston, Massachusetts, USA) w latach 2008–2019.
Wybrane dane dorosłych pacjentów (≥ 18 lat) z diagnozą zarówno ostrego zespołu niedorostu oddechowego (ARDS), jak i zapalenia płuc. Diagnoza powinna opierać się na Międzynarodowej Klasyfikacji Chorób, 9. i 10. edycji (ICD-9, ICD-10)⁷, przy czym ARDS powinno być sklasyfikowane wśród trzech najczęstszych diagnoz.
Wyklucz dane na podstawie następujących kryteriów: wiek < 18 lat; wcześniej stosował leki immunosupresyjne; guzy, choroby hematologiczne, choroby układu reumatycznego; Miał historię przeszczepów.
Użyj Structured Query Language (SQL) w narzędziu do zarządzania bazą danych o nazwie Navicat Premium do wyodrębnienia danych dla końcowej kohorty, w tym danych demograficznych, wyników klinicznych przy przyjęciu (APS III, SOFA, Charlson Comorbidity Index), parametrów życiowych przy przyjęciu, wskaźników laboratoryjnych, statusu śmiertelności po 28 dniach, długości pobytu w szpitalu oraz na OIOM. Dołącz dane dotyczące wszystkich zarejestrowanych bezwzględnych liczb limfocytów z pierwszych 7 dni po przyjęciu na OIOM. Kod SQL jest udostępniony w Pliku Uzupełniającym 1.
Upewnij się, że każdy pacjent ma co najmniej dwa pomiary w tym okresie, które zostaną uwzględnione. Kliknij na Output, nazwij dane i kliknij Wykonaj , aby wyprowadzić i zapisać dane.

2. Modelowanie trajektorii oparte na grupach (GBTM)

Aby zidentyfikować wyraźne trajektorie odpornościowe, wykonaj modelowanie trajektorii oparte na grupach (GBTM) na podłużnych liczbach limfocytów za pomocą oprogramowania R (v4.4.1+) z pakietem gbmt.
Dane strukturalne w długim formacie i dopasowywanie modeli według różnych liczb grup (1-5) i rzędów wielomianów. Wybierz optymalny model na podstawie dopasowania statystycznego (AIC/BIC), klinicznej interpretowalności wzorców oraz stabilności grupy (>5% kohorty, prawdopodobieństwo tylne >0,7).
Wizualizuj ostateczne trajektorie, aby zilustrować dynamikę podgrup w ciągu 7 dni. Zobacz Plik Uzupełniający 1 dotyczący kodu R dla modelowania GBMT.

3. Analiza statystyczna dla modelowania prognostycznego

Do modelowania prognostycznego uwzględniamy miary takie jak średnia, mediana, odchylenie standardowe, zakres i kwartyle zmiennych ciągłych, a także tabele częstotliwości zmiennych kategorycznych. Użyj mediany i zakresu interkwartylowego (IQR) do opisu zmiennych ciągłych o rozkładzie nienormalnym.
Aby zbadać różnice w cechach zmiennych między grupami, użyj testu dokładnego Fishera, testu Chi-kwadrat Pearsona dla zmiennych kategorycznych oraz testu sumy rangi Wilcoxona dla zmiennych ciągłych.
Wykorzystaj opracowane wielowymiarowe modele regresji logistycznej i proporcjonalnej regresji ryzyka Coxa do oceny związku między grupami trajektorii a śmiertelnością w ciągu 28 dni, uwzględniając kluczowe kowariaty, takie jak wiek, wynik APS III oraz dni na OIOM-ie. Zobacz szczegóły kodeksu w Pliku Uzupełniającym 1.
Ocena wydajności modelu poprzez rozróżnianie (obszar pod krzywą charakterystyki operacyjnej odbiornika), kalibrację (wykresy kalibracyjne walidowane bootstrapem) oraz użyteczność kliniczną (analizę krzywej decyzyjnej na progach ryzyka). Rozważmy dwustronny p < 0,05 jako wskaźnik istotności statystycznej.

Wyniki

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

Charakterystyka pacjenta
W tym badaniu wzięło udział łącznie 161 pacjentów. Wykonanie protokołu GBTM (krok 2) pomyślnie zidentyfikowało trzy odrębne trajektorie limfocytów, co pokazano na Rysunku 1. Ten wynik potwierdza pomyślną zbieżność modeli i prawidłowe rozdzielenie podgrup, co jest kluczowym punktem kontrolnym dla przejścia do modelowania prognostycznego. Decyzja ta opierała się na równowadze dopasowania statystycznego (Tabela Uzupełniająca 1) i interpretowalności klinicznej: podczas gdy modele z czterema lub pięcioma klasami wykazywały nieco lepsze wartości AIC/BIC w trzech klasach, model trójklasowy zapewniał wyraźnie odrębne, klinicznie możliwe do działania trajektorie — reprezentujące trwałą immunosupresję, umiarkowaną regenerację i szybkie odtworzenie układu odpornościowego — z wystarczającą wielkością grupy i stabilnością do solidnej analizy prognosycznej. Trajektoria 1, klasa ciągłego wzrostu, obejmowała 62 pacjentów (38,5%) i charakteryzowała się stałym, niemal liniowym wzrostem liczby limfocytów od pierwszego do siódmego dnia. Ale punkt wyjścia był bardzo niski. Trajektoria 2, klasa w kształcie litery U, obejmowała 36 pacjentów (22,3%) i wykazała wczesny spadek liczby limfocytów w ciągu 1^do 3 dni, po czym następował stopniowy powrót do zdrowia. Trajektoria 3, klasa wczesnego spadku i szybkiego wzrostu, obejmowała 63 pacjentów (39,1%), którzy wykazali umiarkowany spadek liczby limfocytów w dniach 1–3 oraz wyraźny trend wzrostowy od dnia 4. Jednocześnie punkt początkowy jest bliski wartości normalnej. Charakterystyki wyjściowe różniły się znacząco w zależności od tych trajektorii, co potwierdza ich znaczenie kliniczne (Tabela 1). Pacjenci na trajektorii 1 byli starsi i wykazywali wyższy przebieg choroby (wyższe wyniki APS III i SOFA), najniższą bazową liczbę limfocytów oraz najwyższy wskaźnik śmiertelności w ciągu 28 dni (24,2%). Jak pokazano w Tabeli 2, kilka cech bazowych różniło się znacząco między osobami, które przeżyły, a nie. Osoby, które nie przeżyły, były starsze i częściej należały do trajektorii limfocytów o wysokiej śmiertelności. Doświadczyli także dłuższego pobytu na OIOM-ie, wyższego występowania nadciśnienia oraz poważniejszej choroby przy przyjęciu (wyższe wyniki APS III i większe obciążenie chorobami współistniejącymi). Na koniec, osoby, które nie przeżyły, miały podwyższone tętno i zwiększoną ilość azotu mocznika we krwi.

Wielowariantowa regresja logistyczna
Protokół regresji logistycznej (krok 4) został zastosowany, aby zidentyfikować niezależne predyktory śmiertelności po 28 dniach u pacjentów z ARDS skomplikowanym zapaleniem płuc. W trybie nieskorygowanym (Model 1), z użyciem trajektorii 1 jako odniesienia, ani trajektoria 2 (OR 0,51; 95% CI 0,15–1,45; p = 0,228), ani trajektoria 3 (OR 0,10; 95% CI 0,02–0,39; p = 0,003) nie okazały się istotne, z wyjątkiem tej ostatniej, która wiązała się z wyraźnym obniżeniem szans na śmiertelność w ciągu 28 dni. Po uwzględnieniu czynników zakłócających (Model 3), trajektoria 3 pozostała niezależnym predyktorem niższej śmiertelności (OR 0,06; 95% CI 0,01–0,36; p = 0,006; Tabela 3). Długość pobytu w szpitalu zachowała efekt ochronny (OR 0,59 dziennie; 95% CI 0,40–0,78; p = 0,002), podczas gdy każdy dzień na OIOM-ie dodatkowo zwiększał ryzyko śmiertelności (OR 1,75; 95% CI 1,32–2,57; s. < 0,001). Wyższe wyniki APS III (OR 1,04 na punkt; 95% CI 1,00–1,08; p = 0,047) oraz podwyższona częstość przyjęcia serca (OR 1,05 na bpm; 95% CI 1,01–1,10; p = 0,019) również były istotne, podczas gdy płeć, indeks Charlsona i BUN nie osiągały istotności. Wyniki te potwierdzają zdolność protokołu do wyprowadzenia silnego i dostosowanego związku między trajektoriami odpornościowymi a wynikami. Wykresy leśne były używane do wizualizacji jednocześnie (Rysunek 2). Metryki wydajności modelu (krok 4) wykazały solidność naszego podejścia. Model wykazał doskonałą zdolność rozróżniania (AUC = 0,932; Rysunek 3). Ta wysoka wartość, znacząco powyżej 0,5 punktu losowego przypadku, wskazuje, że model wyprowadzony z protokołu skutecznie rozróżnia osoby ocalałe od nieprzeżywałych. Krzywa kalibracyjna (rysunek 4) wskazywała na dobrą zgodność między prawdopodobieństwami przewidywanymi a obserwowanymi, z minimalną błędną kalibracją na skrajnościach, co wspierało wiarygodność modelu. Analiza krzywej decyzyjnej (Rysunek 5) wykazała stałą korzyść netto na poziomie progowych prawdopodobieństw 5%–45%, z szczytową korzyść w okolicach 10%, co wskazuje na potencjał modelu do podejmowania decyzji klinicznych.

Regresja Coxa wielowymiarowa
Protokół regresji Coxa (krok 4) dał wyniki zgodne z modelem logistycznym. W porównaniu z trajektorią 1, pacjenci w trajektorii 2 wykazywali nieistotny trend niższej śmiertelności w ciągu 28 dni (HR 0,54; 95% CI 0,20–1,48; p = 0,232), podczas gdy osoby z trajektorią 3 miały wyraźnie zmniejszone ryzyko zgonu (HR 0,12; 95% CI 0,03–0,52; p = 0,005; Model 1). Po uwzględnieniu czynników zakłócających (Model 3), trajektoria 3 pozostała niezależnie powiązana z niższą śmiertelnością (HR 0,13; 95% CI 0,03–0,64; p = 0,012; Tabela 4). Dni szpitalne były ochronne (HR 0,68 dziennie; 95% CI 0,54–0,87; p = 0,002), podczas gdy każdy kolejny dzień na OIOM-ie zwiększał ryzyko o 51% (HR 1,51; 95% CI 1,19–1,91; s. < 0,001). Wyższe wyniki APS III (HR 1,02; 95% CI 1,00–1,05; p = 0,026) oraz podwyższona częstość serca przy przyjęciu (HR 1,03; 95% CI 1,00–1,07; p = 0,041) również były umiarkowanymi, ale istotnymi predyktorami śmiertelności, podczas gdy indeks Charlsona i BUN nie osiągnęły istotności statystycznej. Stabilność tego powiązania w obu ramach regresji podkreśla odporność trajektorii limfocytów jako markera prognostycznego. Założenie o zagrożeniach proporcjonalnych zostało zweryfikowane przy użyciu reszt Schoenfelda, nie wykryto żadnych istotnych naruszeń. Wykresy leśne były wykorzystywane do wizualizacji jednocześnie (Rysunek 6).

figure-results-1
Rysunek 1: Trajektorie limfocytów zidentyfikowane przez GBTM klasy 3. Wygenerowane za pomocą pakietu R gbmt. Udana replikacja powinna wykazać trzy wyraźne trajektorie: utrzymującą się immunosupresję, umiarkowaną regenerację oraz szybką rekonstrukcję układu odpornościowego. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-results-2
Rysunek 2: Wykres lasu dla wielowymiarowej regresji logistycznej. Stworzone za pomocą R ggplot2. Statystycznie istotne predyktory powinny wykazywać, że przedziały ufności nie przekraczają OR = 1. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-results-3
Rysunek 3: Krzywa ROC dla dyskryminacji modeli logistycznych. Wygenerowane za pomocą pakietu R pROC. AUC = 0,932 oznacza doskonałe osiągi; Zreplikowana krzywa powinna gwałtownie wznosić się w górny lewy róg. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-results-4
Rysunek 4: Krzywa kalibracji (bootstrap 200). Stworzone za pomocą pakietu RRMS. Dobrą kalibrację potwierdza bliskie dopasowanie krzywej korygowanej o polaryzację do idealnej linii. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-results-5
Rysunek 5: Analiza krzywej decyzyjnej dla zastosowań klinicznych. Wygenerowane za pomocą pakietu Rmda R. Model powinien wykazywać korzyści netto w porównaniu ze strategiami typu treat-all/none w zakresie progowym 5%-45%. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-results-6
Rysunek 6: Wykres lasu dla modelu ryzyk proporcjonalnych Coxa. Stworzone z pakietem R survminer. Udana replikacja powinna wyraźnie rozróżniać czynniki ochronne (HR < 1) i ryzyko (HR > 1). Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

zmienna	Trajektoria 1 (N=62)	Trajektoria 2 (N=36)	Trajektoria 3 (N=63)	p
Wiek, lata	71 (62.2–81)	72 (58–78.2)	62 (45.5–81)	0.0204
KANAPA	5 (4–6)	4 (3–6)	4 (3–6)	0.0333
GCS	15 (15–15)	15 (15–15)	15 (15–15)	0.803
APSIII	52 (45–63)	40 (28.8–57.5)	49 (33.5–57)	0.0107
Indeks Charlsona	5 (3–6)	4.5 (3–5)	3 (2–6)	0.213
POChP	14 (22.6%)	11 (30.6%)	14 (22.2%)	0.602
Nadciśnienie	42 (67.7%)	22 (61.1%)	31 (49.2%)	0.104
Cukrzyca	18 (29%)	13 (36.1%)	16 (25.4%)	0.529
Choroby serca	32 (51.6%)	19 (52.8%)	28 (44.4%)	0.638
Naczyń mózgowych	12 (19.4%)	5 (13.9%)	7 (11.1%)	0.425
PCHD	9 (14.5%)	7 (19.4%)	8 (12.7%)	0.659
CLD	0 (0%)	0 (0%)	4 (6.3%)	0.0412
Wentylacja	11 (17.7%)	5 (13.9%)	13 (20.6%)	0.701
Częstość oddechu	22 (19–25)	19.5 (16–24)	22 (18–24)	0.0753
Tętno	93 (82.2–101)	84 (76.8–98.2)	93 (88.5–106)	0.0371
SBP	126 (114.2–138.5)	126 (116–134)	126 (115–130)	0.518
DBP	75 (66–84.8)	75 (63–79.8)	75 (66–81)	0.921
WBC	10.2 (6.8–16.3)	11.8 (9.2–13.9)	12.5 (8.8–15)	0.208
Hemoglobina	10.8 (10–12)	11.4 (10.5–13.1)	11.7 (10.7–12.9)	0.117
Płytek krwi	223.5 (169.8–279)	223.5 (175.8–264.2)	226 (192–282)	0.775
Limfocytów	0.6 (0.4–0.7)	1.4 (1.3–1.6)	1.1 (0.6–1.9)	<0.001
Kreatynina	0.9 (0.8–1.4)	0.9 (0.8–1.2)	0.8 (0.6–1.2)	0.0652
DROŻDŻÓWKA	23 (17–38)	20 (14.5–33.2)	18 (12.5–24.5)	0.0167
Potas	4 (3.6–4.7)	4 (3.8–4.5)	4.1 (3.5–4.4)	0.488
Sód	140 (136–143)	139 (136–143.2)	139 (137–141)	0.444
Długość pobytu w szpitalu, dni	11.5 (7.2–20.8)	11 (6.8–14.2)	12 (8–16)	0.557
Długość OIOM-u, dni	7 (4.2–12)	6 (4–10.2)	6 (3–11)	0.603
Śmiertelność 28-dniowa	15 (24.2%)	5 (13.9%)	2 (3.2%)	0.0029

Tabela 1: Charakterystyka bazowa według trajektorii limfocytów. Testy istotności to test dokładności Fishera, test Chi-kwadrat Pearsona oraz test sumy rangi Wilcoxona.

Charakterystyczny	Kombinezon	Przetrwać	Śmierć	wartość p
Charakterystyczny	N = 161	N = 139	N = 22	wartość p
Trajektoria, n (%)				0.001
1	62.0 (38.5%)	47.0 (33.8%)	15.0 (68.2%)
2	36.0 (22.4%)	31.0 (22.3%)	5.0 (22.7%)
3	63.0 (39.1%)	61.0 (43.9%)	2.0 (9.1%)
płeć, n (%)				0.446
Kobieta	83.0 (51.6%)	70.0 (50.4%)	13.0 (59.1%)
Mężczyzna	78.0 (48.4%)	69.0 (49.6%)	9.0 (40.9%)
wiek, mediana (Q1, Q3)	69.00 (55.00, 81.00)	66.00 (52.00, 78.00)	79.00 (70.00, 87.00)	0.001
dni szpitalne, mediana (Q1, Q3)	12.00 (8.00, 17.00)	12.00 (8.00, 17.00)	11.00 (5.00, 18.00)	0.303
Dni na OIOM-ie, mediana (Q1, Q3)	6.00 (4.00, 12.00)	6.00 (3.00, 11.00)	11.00 (5.00, 14.00)	0.033
Przyjęcie wentylacyjne, n (%)				>0.999
Nie	132.0 (82.0%)	114.0 (82.0%)	18.0 (81.8%)
Tak	29.0 (18.0%)	25.0 (18.0%)	4.0 (18.2%)
POChP, n (%)				0.719
Nie	122.0 (75.8%)	106.0 (76.3%)	16.0 (72.7%)
Tak	39.0 (24.2%)	33.0 (23.7%)	6.0 (27.3%)
Nadciśnienie, n (%)				0.019
NIE	66.0 (41.0%)	62.0 (44.6%)	4.0 (18.2%)
Tak	95.0 (59.0%)	77.0 (55.4%)	18.0 (81.8%)
Cukrzyca, n (%)				0.771
Nie	114.0 (70.8%)	99.0 (71.2%)	15.0 (68.2%)
Tak	47.0 (29.2%)	40.0 (28.8%)	7.0 (31.8%)
Choroby serca, n (%)				0.312
Nie	82.0 (50.9%)	73.0 (52.5%)	9.0 (40.9%)
Tak	79.0 (49.1%)	66.0 (47.5%)	13.0 (59.1%)
Mózgowo-naczyniowe, n (%)				0.104
Nie	137.0 (85.1%)	121.0 (87.1%)	16.0 (72.7%)
Tak	24.0 (14.9%)	18.0 (12.9%)	6.0 (27.3%)
CKD, n (%)				0.534
Nie	137.0 (85.1%)	117.0 (84.2%)	20.0 (90.9%)
Tak	24.0 (14.9%)	22.0 (15.8%)	2.0 (9.1%)
CLD, n (%)				>0.999
Nie	157.0 (97.5%)	135.0 (97.1%)	22.0 (100.0%)
Tak	4.0 (2.5%)	4.0 (2.9%)	0.0 (0.0%)
Rekrutacja na SOFA, mediana (Q1, Q3)	5.00 (3.00, 6.00)	5.00 (3.00, 6.00)	5.50 (3.00, 7.00)	0.241
Rekrutacja APSIII, mediana (Q1, Q3)	49.00 (35.00, 60.00)	48.00 (32.00, 57.00)	61.50 (50.00, 69.00)	<0.001
GCS, mediana (Q1, Q3)	15.00 (15.00, 15.00)	15.00 (15.00, 15.00)	15.00 (14.00, 15.00)	0.367
Indeks Chorób Współwystępujących, mediana (Q1, Q3)	5.00 (3.00, 6.00)	4.00 (2.00, 6.00)	5.00 (4.00, 6.00)	0.047
Częstość oddechu, mediana (Q1, Q3)	22.00 (18.00, 24.00)	22.00 (18.00, 24.00)	23.00 (19.00, 26.00)	0.091
Tętno, mediana (Q1, Q3)	93.00 (82.00, 103.00)	93.00 (81.00, 101.00)	101.00 (93.00, 110.00)	0.01
SBP, mediana (Q1, Q3)	126.00 (115.00, 135.00)	126.00 (115.00, 135.00)	126.00 (117.00, 136.00)	0.919
DBP, mediana (Q1, Q3)	75.00 (65.00, 83.00)	75.00 (65.00, 83.00)	75.00 (63.00, 84.00)	0.963
Cr, mediana (Q1, Q3)	0.90 (0.70, 1.30)	0.90 (0.70, 1.30)	0.95 (0.70, 1.40)	0.582
BUN, mediana (Q1, Q3)	20.00 (15.00, 30.00)	19.00 (14.00, 27.00)	33.50 (20.00, 54.00)	0.002
Potas, mediana (Q1, Q3)	4.00 (3.70, 4.50)	4.00 (3.60, 4.50)	4.25 (3.80, 5.10)	0.133
Sód, mediana (Q1, Q3)	139.00 (136.00, 142.00)	139.00 (136.00, 142.00)	140.50 (136.00, 143.00)	0.483
WBC, mediana (Q1, Q3)	11.50 (7.80, 15.20)	11.40 (7.70, 15.20)	12.10 (9.10, 18.20)	0.321
HBG, mediana (Q1, Q3)	11.30 (10.30, 12.70)	11.50 (10.30, 12.80)	10.60 (9.80, 11.70)	0.072
PLT, mediana (Q1, Q3)	226.00 (175.00, 279.00)	225.00 (174.00, 278.00)	236.00 (200.00, 358.00)	0.208
Limfocyty, mediana (Q1, Q3)	0.83 (0.52, 1.44)	0.88 (0.53, 1.45)	0.67 (0.45, 0.93)	0.111

Tabela 2: Cechy ocalałych i nieocalałych. Testy istotności to test dokładności Fishera, test Chi-kwadrat Pearsona oraz test sumy rangi Wilcoxona.

Grupa	Charakterystyczny	LUB	95% CI	wartość p
Model 1	Trajektoria
	1	—	—
	2	0.51	0.15, 1.45	0.228
	3	0.1	0.02, 0.39	0.003
Model 2	Trajektoria
	1	—	—
	2	0.46	0.12, 1.59	0.236
	3	0.1	0.01, 0.44	0.007
	wiek	1.08	1.03, 1.13	0.003
	płeć
	F	—	—
	M	0.5	0.15, 1.50	0.222
	hosp_days	0.69	0.52, 0.86	0.005
	ICU_days	1.51	1.22, 2.01	0.001
Model 3	Trajektoria
	1	—	—
	2	0.56	0.12, 2.32	0.435
	3	0.06	0.01, 0.36	0.006
	wiek	1.06	1.00, 1.14	0.049
	płeć
	F	—	—
	M	0.42	0.11, 1.47	0.187
	hosp_days	0.59	0.40, 0.78	0.002
	ICU_days	1.75	1.32, 2.57	<0.001
	APS III_admission	1.04	1.00, 1.08	0.047
	charlson_comorbidity_index	0.89	0.63, 1.20	0.49
	heart_rate_admission	1.05	1.01, 1.10	0.019
	BUN_adm	1	1.00, 1.01	0.209

Tabela 3: Wielowymiarowa regresja logistyczna. Skróty: CI = Przedział ufności, OR = iloraz szans.

Grupa	Charakterystyczny	N	Wydarzenie N	HR	95% CI	wartość p
Model 1	Trajektoria	161	22
	1	62		—	—
	2	36		0.54	0.20, 1.48	0.232
	3	63		0.12	0.03, 0.52	0.005
Model 2	Trajektoria	161	22
	1	62		—	—
	2	36		0.51	0.18, 1.42	0.197
	3	63		0.16	0.03, 0.70	0.016
	wiek	161	22	1.06	1.02, 1.10	0.004
	płeć	161	22
	F	83		—	—
	M	78		0.62	0.26, 1.46	0.274
	hosp_days	161	22	0.73	0.58, 0.91	0.005
	ICU_days	161	22	1.41	1.14, 1.73	0.001
Model 3	Trajektoria	161	22
	1	62		—	—
	2	36		0.65	0.22, 1.91	0.437
	3	63		0.13	0.03, 0.64	0.012
	wiek	161	22	1.05	1.00, 1.10	0.063
	płeć	161	22
	F	83		—	—
	M	78		0.67	0.26, 1.74	0.411
	hosp_days	161	22	0.68	0.54, 0.87	0.002
	ICU_days	161	22	1.51	1.19, 1.91	<0.001
	APS III_admission	161	22	1.02	1.00, 1.05	0.026
	charlson_comorbidity_index	161	22	0.92	0.71, 1.18	0.493
	heart_rate_admission	161	22	1.03	1.00, 1.07	0.041
	BUN_adm	161	22	1	1.00, 1.00	0.293

Tabela 4: Wielowymiarowa regresja Coxa. Skróty: CI = przedział ufności, HR = współczynnik ryzyka.

Tabela uzupełniająca 1: Statystyki podsumowujące dla każdej grupy trajektorii limfocytów. Skróty: AIC = kryterium informacyjne Akaike; BIC = kryterium informacji bayesowskiej; CAIC = Konsekwentny AIC; AvePP = Średnie prawdopodobieństwo posteriorne. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 1: Kody i skrypt dla kroków 1-3. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

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

Nowe wyniki naszej analizy opierają się na bazie danych MIMIC-IV. Opracowaliśmy nowatorski ARDS połączony z podgrupą podgrup limfocytów podłużnych zapalenia płuc, opartą na szeroko dostępnych liczbach limfocytów. Stwierdziliśmy, że podgrupy liczebne limfocytów podłużne były lepsze niż liczba limfocytów w momencie przyjęcia w ocenie rokowania.

Krytyczne kroki proceduralne istotnie wpłynęły na wyniki i powinny być uwzględnione dla powtarzalności. Kryterium filtrowania danych, które wymaga > 2 pomiarów limfocytów w ciągu 7 dni, zapewnia odpowiednie dane podłużne. Wybór parametrów GBTM, a konkretnie wybór trzech trajektorii opartych na interpretowalności klinicznej, a nie marginalnych poprawkach statystycznych, był kluczowy dla generowania klinicznie możliwych do działania fenotypów.

Różne trajektorie limfocytów mogą oznaczać różne profile odpornościowe i wyniki ARDS w połączeniu z zapaleniem płuc, zwłaszcza podczas procesu leczenia⁸. Wynik APSIII jest wskaźnikiem pomiarowym stopnia indywidualnych zaburzeń fizjologicznych⁹. Im wyższy wynik APS, tym bardziej widoczna jest dysfunkcja narządów i tym gorsze rokowania. W porównaniu z trajektorią 3, początkowa wartość limfocytów u pacjentów z trajektorią 1 jest niższa, a wynik APSIII wyższy. Wskazuje to, że pacjenci na trajektorii 1 częściej znajdują się w stadium dysfunkcji odpornościowej. Trajektoria 1 (ciągły wzrost) prawdopodobnie obejmuje pacjentów z ograniczoną wczesną mobilizacją limfocytów i utrzymującą się limfocytozą. Trajektoria 3 (wczesny spadek, a potem szybki wzrost) była niezależnie powiązana z najniższą śmiertelnością w ciągu 28 dni (HR 0,13; p = 0,012), co sugeruje, że przejściowy spadek limfocytów następujący szybkim powrotem do zdrowia zapewnia lepsze rokowanie. Ten wzorzec jest zgodny z wcześniejszymi badaniami wskazującymi, że wczesna śmierć w ARDS jest wywołana intensywnym stanem zapalnym, podczas gdy późna śmierć częściej wiąże się z immunosupresją10. Wyniki te podkreślają potencjalną rolę terapii dostosowanych do różnych ARDS w połączeniu z podtypami zapalenia płuc. Konkretnie, pacjenci z profilem prozapalnym (trajektoria 3) mogą skorzystać z leków przeciwzapalnych, takich jak kortykosteroidy czy ulinastatyna¹¹. U pacjentów z profilem immunosupresyjnym (trajektoria 1) terapie immunostymulujące, takie jak tymozyna α1, która przywraca liczbę limfocytów, czy IL-7, wspierający proliferację limfocytów i zapobiegający apoptozie, mogą być korzystne¹². Identyfikacja tych trajektorii ma bezpośrednie znaczenie kliniczne dla stratyfikacji ryzyka. Monitorując liczbę limfocytów w ciągu pierwszych 3-4 dni pobytu na OIOM-ie, klinicyści mogą potencjalnie zidentyfikować pacjentów o utrzymującym się wysokim ryzyku (Trajektoria 1), którzy mogą być kandydatami do udziału w badaniach terapii immunostymulujących. Natomiast pacjenci podążający po trajektorii 3, mimo początkowego spadku, mają korzystne rokowanie i mogą być oszczędzeni bardziej agresywnych i potencjalnie szkodliwych interwencji immunomodulacyjnych. Jednak te propozycje są hipotetyczne i muszą być rygorystycznie testowane w prospektywnych, interwencyjnych badaniach przed przyjęciem klinicznym. Dlatego ukierunkowane leczenie ARDS jest szczególnie ważne¹³.

W porównaniu z istniejącymi podejściami modelowania, nasz protokół oparty na GBTM oferuje wyraźne korzyści metodologiczne. Chociaż modele uczenia maszynowego zazwyczaj wymagają złożonej inżynierii cech i rozległych zasobów obliczeniowych, to podejście wykorzystuje rutynowo dostępne dane podłużne z prostą implementacją. Zdolność protokołu do obsługi nierównomiernie rozmieszczonych pomiarów i brakujących danych sprawia, że jest on szczególnie odpowiedni dla rzeczywistych zbiorów danych klinicznych. Ponadto powstałe grupy trajektorii dostarczają natychmiast interpretowalnych fenotypów klinicznych, w przeciwieństwie do czarnej skrzynki niektórych złożonych algorytmów uczenia maszynowego.

Tętno było istotnie wyższe u osób, które nie przeżyły w porównaniu do tych, którzy przeżyli w naszym badaniu. Wniosek ten jest zgodny z wcześniejszym badaniem¹⁴. Podwyższone tętno wskazuje, że osoba ma niski poziom tlenu, co stanowi poważniejsze schorzenie ARDS¹⁵. Ponadto przedłużone podwyższenie tętna u pacjentów o krytycznym stanie serca wysokiego ryzyka może prowadzić do poważnych zdarzeń sercowych, które mogą powodować niekorzystne rokowanie¹⁶. Dlatego gdy pacjent trafia do szpitala z nieprawidłowo szybkim tętnem, należy uważnie monitorować poziom tlenu we krwi i być czujnym na objawy pogorszenia objawów klinicznych ARDS połączonych z zapaleniem płuc. Czas trwania hospitalizacji wykazuje prognostyczną dwoistość: każdy kolejny dzień na oddziałach ogólnych może sygnalizować tempo rekonwalescencji, podczas gdy długotrwałe uwięzienie na OIOM-ie często stanowi samonapędzający się cykl chorób krytycznych¹⁷.

Aby kontekstualizować wydajność naszego modelu trajektorii limfocytów, porównaliśmy go z najnowszymi modelami prognostycznymi dla ARDS. Na przykład niedawne badanie skupiające się konkretnie na zapaleniu płuc (p-ARDS) opracowało sześć modeli ML, spośród których model Support Vector Machine (SVM) wykazał najlepszą wydajność, z AUC 0,77¹⁸. Bardziej zaawansowane modele zawierające specyficzne biomarkery (takie jak stosunek mleczanu do albuminy) poprawiły wydajność, z raportowaną AUC do 0,811 dla 28-dniowej śmiertelności¹⁹. W tym krajobrazie model, który integruje dynamiczne trajektorie limfocytów z podstawowymi parametrami klinicznymi, osiągnął wyższą zdolność dyskryminacyjną, z AUC na poziomie 0,932. Sugeruje to, że podłużny profil odpornościowy uchwycony przez trendy limfocytów może dostarczać silniejszych informacji prognostycznych niż pojedynczy pomiar w punkcie czasowym czy nawet złożone modele ML oparte na statycznych zmiennych przyjęcia.

Efektywność i elastyczność tego przepływu pracy stanowią dodatkowe zalety. Modułowy projekt naszego pipeline'u analitycznego umożliwia szybkie zastosowanie do nowych zbiorów danych, a pełna analiza od ekstrakcji danych po wizualizację jest możliwa w ciągu kilku godzin. Protokół ten można łatwo dostosować do badania innych dynamicznych biomarkerów lub różnych populacji w intensywnej opiece klinicznej, zwiększając jego użyteczność poza obecnym zastosowaniem.

Kilka ograniczeń warto rozważyć. Po pierwsze, analiza retrospektywna bazy danych z jednym ośrodkiem (MIMIC-IV) jest podatna na niezmierzone zakłócenia, a poleganie na kodach ICD-9/10 do identyfikacji ARDS, a nie na prospektywnej definicji berlińskiej, może wprowadzać błędne błędy klasyfikacji i ograniczać uogólnienia ze względu na regionalne różnice diagnostyczne. Po drugie, wielkość kohorty (n=161), choć wystarczająca do początkowego modelowania, wymaga zewnętrznej weryfikacji w większych, wieloośrodkowych badaniach. Po trzecie, brak dynamicznych profili cytokinowych i danych immunoterapeutycznych ogranicza pełniejszą ocenę immunologiczną. Wreszcie, kliniczna użyteczność naszego modelu wymaga prospektywnej oceny.

Podsumowując, u pacjentów z zapaleniem płuc z ARDS zidentyfikowano trzy odrębne trajektorie limfocytów przy użyciu GBTM. Trajektorie limfocytów, wysokie tętno oraz pobyty na OIOM-ie były silnymi predyktorami śmiertelności w ciągu 28 dni. Te odkrycia mogą wspierać rozwój bardziej spersonalizowanych strategii leczenia ARDS w połączeniu z zapaleniem płuc. Przyszłe badania prospektywne mogą koncentrować się na badaniu skuteczności terapii immunologicznej ukierunkowanej na różnych trajektoriach, aby lepiej zrozumieć potencjalne interakcje między terapią immunologiczną a podgrupami ARDS.

Oświadczenia

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

Autorzy nie mają żadnych konfliktów interesów do ujawnienia.

Podziękowania

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

Badanie to opiera się na bazie bazy MIMIC-IV. Składamy szczere podziękowania oddanemu zespołowi MIMIC-IV za ich wkład. Dziękuję za towarzystwo i wsparcie pana Hou.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy
MIMIC	Laboratorium FIZJOLOGII Obliczeniowej MIT	IV 2.2
Navicat Premium	PremiumSoft CyberTech Ltd	16
R	Zespół R Core	4.4.1
RStudio	Posit Software, PBC

Bibliografia

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

Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 315 (8), 788_800(2016).">Bellani, G., et al. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 315 (8), 788_800(2016).
Acute Respiratory Distress Syndrome. New Engl J Med. 377 (6), 562_572(2017).">Thompson, B. T., et al. Acute Respiratory Distress Syndrome. New Engl J Med. 377 (6), 562_572(2017).
Acute Respiratory Distress Syndrome Heterogeneity and the Septic ARDS Subgroup. Front Immunol. 14, 1277161(2023).">Xu, H., et al. Acute Respiratory Distress Syndrome Heterogeneity and the Septic ARDS Subgroup. Front Immunol. 14, 1277161(2023).
Persistent Lymphopenia after Diagnosis of Sepsis Predicts Mortality. Shock. 5 (5), 391_391(2014).">Drewry, A. M., et al. Persistent Lymphopenia after Diagnosis of Sepsis Predicts Mortality. Shock. 5 (5), 391_391(2014).
The Presence of Hypothermia within 24 Hours of Sepsis Diagnosis Predicts Persistent Lymphopenia. Crit Care Med. 43 (6), 1165-1169 (2015).">Drewry, A. M., et al. The Presence of Hypothermia within 24 Hours of Sepsis Diagnosis Predicts Persistent Lymphopenia. Crit Care Med. 43 (6), 1165-1169 (2015).
Group-Based Multi-Trajectory Modeling. Statist Methods Med Res. 27 (7), 2015-2023 (2018).">Nagin, D. S., et al. Group-Based Multi-Trajectory Modeling. Statist Methods Med Res. 27 (7), 2015-2023 (2018).
https://www.cdc.gov/nchs/icd/icd-10/index.html (2024).">ICD-10. , https://www.cdc.gov/nchs/icd/icd-10/index.html (2024).
Subphenotypes in Acute Respiratory Distress Syndrome: Latent Class Analysis of Data from Two Randomised Controlled Trials. Lancet Resp Med. 2 (8), 611-620 (2014).">Calfee, C. S., et al. Subphenotypes in Acute Respiratory Distress Syndrome: Latent Class Analysis of Data from Two Randomised Controlled Trials. Lancet Resp Med. 2 (8), 611-620 (2014).
Prediction of Prognosis in Elderly Patients with Sepsis Based on Machine Learning (Random Survival Forest). BMC Emerg Med. 22 (1), 26(2022).">Zhang, L., et al. Prediction of Prognosis in Elderly Patients with Sepsis Based on Machine Learning (Random Survival Forest). BMC Emerg Med. 22 (1), 26(2022).
Sepsis-Induced Immune Dysfunction: Can Immune Therapies Reduce Mortality. J Clin Invest. 126 (1), 23-31 (2016).">Delano, M. J., Ward, P. A. Sepsis-Induced Immune Dysfunction: Can Immune Therapies Reduce Mortality. J Clin Invest. 126 (1), 23-31 (2016).
Sepsis-Induced Immunosuppression: Mechanisms, Diagnosis and Current Treatment Options. Military Med Res. 9 (1), 56(2022).">Liu, D., et al. Sepsis-Induced Immunosuppression: Mechanisms, Diagnosis and Current Treatment Options. Military Med Res. 9 (1), 56(2022).
Immunotherapy: A Promising Approach to Reverse Sepsis-Induced Immunosuppression. Pharmacol Res. 111, 688-702 (2016).">Patil, N. K., et al. Immunotherapy: A Promising Approach to Reverse Sepsis-Induced Immunosuppression. Pharmacol Res. 111, 688-702 (2016).
Mechanisms of pulmonary endothelial barrier dysfunction in acute lung injury and acute respiratory distress syndrome. Chinese Med J Pulmon Crit Care Med. 2 (2), 80-87 (2024).">Su, Y., et al. Mechanisms of pulmonary endothelial barrier dysfunction in acute lung injury and acute respiratory distress syndrome. Chinese Med J Pulmon Crit Care Med. 2 (2), 80-87 (2024).
Predictors of Survival in Older Adults Hospitalized with COVID-19. Neurol Sci Off J Italian Neurol Soc Italian Soc Clin Neurophysiol. 42 (10), 3953-3958 (2021).">Tyson, B., et al. Predictors of Survival in Older Adults Hospitalized with COVID-19. Neurol Sci Off J Italian Neurol Soc Italian Soc Clin Neurophysiol. 42 (10), 3953-3958 (2021).
Dynamic Oxygenation Subgroup Bringing New Insights in ARDS: More Predictive of Outcomes and Response to PEEP than Static PaO2/FiO2. Thorax. , (2025).">Bai, Y., et al. Dynamic Oxygenation Subgroup Bringing New Insights in ARDS: More Predictive of Outcomes and Response to PEEP than Static PaO2/FiO2. Thorax. , (2025).
Impact of Prolonged Elevated Heart Rate on Incidence of Major Cardiac Events in Critically Ill Patients with a High Risk of Cardiac Complications. Crit Care Med. 33 (1), discussion 241-242 81-88 (2005).">Sander, O., et al. Impact of Prolonged Elevated Heart Rate on Incidence of Major Cardiac Events in Critically Ill Patients with a High Risk of Cardiac Complications. Crit Care Med. 33 (1), discussion 241-242 81-88 (2005).
Clinical Subtypes of Sepsis Survivors Predict Readmission and Mortality after Hospital Discharge. Ann Am Thorac Soc. 19 (8), 1355-1363 (2022).">Taylor, S. P., et al. Clinical Subtypes of Sepsis Survivors Predict Readmission and Mortality after Hospital Discharge. Ann Am Thorac Soc. 19 (8), 1355-1363 (2022).
Machine Learning-based prognostic prediction model of pneumonia-associated acute respiratory distress Syndrome. Front Med. 12, 1582426(2025).">Lv, J., Chen, J., Liu, M. Machine Learning-based prognostic prediction model of pneumonia-associated acute respiratory distress Syndrome. Front Med. 12, 1582426(2025).
Association between Platelet-albumin-bilirubin grade and the 30-day mortality in patients with acute respiratory distress syndrome: Evidence from the MIMIC-IV Database. Balkan Med J. 42 (1), 66-74 (2025).">Ye, D., Jiang, W., Gu, D. Association between Platelet-albumin-bilirubin grade and the 30-day mortality in patients with acute respiratory distress syndrome: Evidence from the MIMIC-IV Database. Balkan Med J. 42 (1), 66-74 (2025).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

miertelno w ARDS modelowanie trajektorii oparte na grupach ARDS w zapaleniu p uc pod u ne biomarkery baza danych MIMIC IV regresja logistyczna regresja Coxa heterogeniczno immunologiczna

Modelowanie trajektorii limfocytów do przewidywania ryzyka śmiertelności w ARDS związanym z zapaleniem płuc

W tym artykule

Podsumowanie

Streszczenie

Wprowadzenie

Protokół

Wyniki

Dyskusja

Oświadczenia

Podziękowania

Materiały

Bibliografia

Przedruki i uprawnienia

Tagi

Powiązane artykuły