Artykuł badawczy

Albumina i model uczenia maszynowego do przewidywania 28-dniowej śmiertelności z jakiejkolwiek przyczyny u pacjentów na oddziale intensywnej terapii z rakiem płuc

DOI:

10.3791/70067

⸱

3 kwietnia 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

W tym artykule

Podsumowanie

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

Ten protokół szczegółowo opisuje wyodrębnianie danych klinicznych z oddziałów intensywnej terapii z bazy danych MIMIC-IV oraz stopniowe stosowanie analizy przeżycia i interpretowalnych modeli uczenia maszynowego w celu oceny poziomu albuminy surowicowej jako czynnika przewidującego 28-dniową śmiertelność u pacjentów z rakiem płuc.

Streszczenie

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

Albumina surowiczna odzwierciedla status odżywienia, ogólnoustrojowe zapalenie i ciężar choroby. Jednak jej znaczenie prognostyczne u krytycznie chorych pacjentów z rakiem płuc pozostaje niejasne. Niniejsze badanie miało na celu zbadanie związku między poziomem albuminy surowicowej a 28-dniową śmiertelnością ze wszelkich przyczyn u pacjentów z rakiem płuc przebywających na oddziale intensywnej terapii (ICU) oraz ocenę jej wartości predykcyjnej w modelach uczenia maszynowego (ML). W retrospektywnym badaniu kohortowym uwzględniono 1274 dorosłych pacjentów z rakiem płuc z bazy danych Medical Information Mart for Intensive Care IV (MIMIC-IV). Wielowarstwowe modele proporcjonalnego ryzyka Cox wykazały związek między poziomem albuminy surowicowej a 28-dniową śmiertelnością. Dodatkowe analizy obejmowały ograniczony splej sześcienny, krzywe przeżycia Kaplana-Meiera oraz analizy wg podgrup. Klasyfikatory ML zostały opracowane przy użyciu operatora najmniejszego skrótu absolutnego i wyboru cech (LASSO) oraz Boruta. Regresja logistyczna została wybrana jako optymalny model, a wartości SHapley Additive Explanations (SHAP) wykorzystano do interpretacji. Wśród 1274 pacjentów wskaźnik 28-dniowej śmiertelności wynosił 26,9%. Niższy poziom albuminy surowicowej był niezależnie związany z wyższą 28-dniową śmiertelnością. Współczynnik hazardu dla każdego wzrostu o 1 g/dL poziomu albuminy surowicowej wyniósł 0,729 (95% CI, 0,597–0,891; p = 0,002). Odwrotna korelacja została zaobserwowana w kwartylach poziomu albuminy surowicowej (p dla trendu <0,001), a analiza Kaplana-Meiera wykazała niższą śmiertelność wśród pacjentów z poziomem albuminy ≥2,9 g/dL (log-rank p < 0,0001). Model regresji logistycznej osiągnął AUC 0,767 w kohorcie walidacyjnej, co wskazuje na dobrą dyskryminację i kalibrację. Analiza SHAP wskazała albuminę surowiczną jako kluczowego predyktora 28-dniowej śmiertelności. Niższy poziom albuminy surowicowej był niezależnie związany ze zwiększoną krótkoterminową śmiertelnością u pacjentów z rakiem płuc przebywających na oddziale intensywnej terapii. Albumina surowicowa może służyć jako praktyczny biomarker wczesnej stratyfikacji ryzyka w tej populacji. Modele ML uwzględniające poziom albuminy wykazały silną predykcyjną wydajność i interpretowalność.

Wprowadzenie

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

Rak płuc nadal znajduje się wśród najczęstszych i najgroźniejszych postaci nowotworu na całym świecie. Według danych Globalnego Obserwatorium Raka (GLOBOCAN 2020), rak płuc stanowi około 11,4% wszystkich nowo rozpoznanych przypadków raka i nadal jest główną przyczyną zgonów związanych z rakiem, przyczyniając się do około 18% zgonów z powodu raka na całym świecie1. Chociaż osiągnięto znaczny postęp w technikach wczesnej diagnostyki, schematach chemioterapii i kierowanych podchodach terapeutycznych, ogólna 5-letnia przeżywalność dla raka płuc pozostaje poniżej 20%, głównie ze względu na jego późno rozpoznaną postać i bardzo agresywny charakter2.

Znaczny odsetek osób z rozpoznanym rakiem płuc wymaga hospitalizacji na oddziale intensywnej terapii (OIT) w trakcie przebiegu choroby, najczęściej z powodu powikłań takich jak ostry niewydolność oddechowa, ciężkie infekcje czy krwotoki, które mogą wynikać zarówno z progresji raka, jak i działań niepożądanych związanych z leczeniem. Wśród tej grupy pacjentów hospitalizacja na OIT jest mocno związana ze złą krótkoterminową prognozą, przy czym wskaźniki 28-dniowej śmiertelności wynoszą od 30% do 60%, co znacząco przewyższa te obserwowane w szerszej populacji OIT3. W wcześniejszych kohortach pacjentów z rakiem płuc na OIT, choroby współistniejące są bardzo powszechne, przy czym nadciśnienie tętnicze i cukrzyca występują odpowiednio u około 46,1% i 37,9% pacjentów. Dodatkowo, prawie połowa tych pacjentów wykazuje umiarkowaną do ciężką funkcjonalną niepełnosprawność wyjściową (45,6%), co może komplikować leczenie na OIT i przyczyniać się do złych krótkoterminowych wyników4. Opieka nad krytycznie chorymi pacjentami z rakiem płuc w środowisku OIT stwarza znaczne komplikacje terapeutyczne. Podejmowanie decyzji klinicznych dla tych pacjentów często wymaga złożonych ocen dotyczących inicjacji wentylacji mechanicznej, podawania leków zwężających naczynia i stosowania antybiotyków o szerokim spektrum działania, wszystkie te zabiegi muszą być rozważane w kontekście podstawowego nowotworu, który zwykle wykazuje ograniczone możliwości odwrócenia. Kilka zmiennych leży u podstawy ich podwyższonej podatności na wczesną śmiertelność, takich jak rozległy postęp nowotworu, uporczywe ogólnoustrojowe reakcje zapalne, upośledzona funkcjonalność narządów i niedobory żywieniowe5. Hipoalbuminemia jest często identyfikowana jako jeden z kluczowych czynników klinicznych związanych z wczesną śmiertelnością w tej populacji pacjentów. Albumina surowicy służy jako wskaźnik odbicia zarówno przewlekłego niedożywienia wynikającego z kacheckii związanej z rakiem, jak i ostrych ogólnoustrojowych reakcji zapalnych w trakcie poważnej choroby, potencjalnie dostarczając ważnych informacji prognostycznych6. Chociaż albumina surowicy jest rutynowo mierzona w praktyce klinicznej, jej wartość prognostyczna nie została dokładnie zbadana u pacjentów z rakiem płuc przyjętych na OIT, i w dużej mierze jest nieobecna w obecnych narzędziach predykcji ryzyka7. Biorąc pod uwagę podwyższoną krótkoterminową śmiertelność i złożoność zarządzania w tym kontekście klinicznym, istnieje pilna potrzeba łatwo dostępnych i praktycznych biomarkerów, aby ułatwić wczesną ocenę ryzyka i poinformować o decyzjach terapeutycznych. Na tym tle albumina surowicowa zasługuje na dalsze badania, aby wyjaśnić jej prognostyczne znaczenie u krytycznie chorych osób z rakiem płuc8,9,10.

Ze względu na złożone i wzajemnie powiązane cechy czynników ryzyka związanych z rakiem, konwencjonalne podejścia statystyczne często napotykają na wyzwania w efektywnym modelowaniu wrodzonych nieliniowych stosunków zawartych w wielowymiarowych zbiorach danych klinicznych. Pojawienie się metodologii uczenia maszynowego (ML) wprowadziło nowe ścieżki poprawy predykcji ryzyka raka. Techniki, w tym las losowy (RF), ekstremalne gradientowe wzmacnianie (XGBoost) i maszyny wektorów nośnych (SVM), zdobyły szerokie zastosowanie w badaniach biomedycznych, wykazując silne możliwości w zarządzaniu złożonymi wzorami danych i zapewnianiu wyższej dokładności predykcji11,12. Niemniej jednak, przejrzystość lub cechy czarnej skrzynki takich modeli ograniczają ich interpretowalność i utrudniają ich integrację w środowisku klinicznym. Aby przeciwdziałać tej wadzie, SHapley Additive Explanations (SHAP), metoda oparta na teorii gier, została wprowadzona jako potężne narzędzie do poprawy przejrzystości modelu13. Poprzez obliczanie wartości Shapleya dla każdej cechy, SHAP skutecznie liczbowo określa wpływ określonych zmiennych na wyjścia modelu, zwiększając tym samym zarówno interpretowalność, jak i niezawodność14. To podejście zyskało na popularności w badaniach biomedycznych jako

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Dostęp do bazy danych i środowisko programowe
Uzyskaj autoryzowany dostęp do bazy danych Medical Information Mart for Intensive Care IV (MIMIC-IV, v3.1) po ukończeniu wymaganego szkolenia w zakresie etycznego wykorzystywania danych (Certification ID: 69002811). Zgodnie z Miarą Etycznej Recenzji Badań Naukowych o Życiu i Badań Medycznych z Udziałem Ludzkich Osobników (18 lutego 2023, Chiny), Artykuł 32 stanowi, że badania wykorzystujące legalnie uzyskane dane publiczne, dane generowane bez ingerencji w zachowania publiczne lub anonimizowane informacje są zwolnione z recenzji etycznej. Zgodnie z tymi przepisami, niniejsze badanie zostało zwolnione z zatwierdzenia instytucjonalnej komisji etycznej. Protokół wykorzystywania danych i wytyczne etyczne były ściśle przestrzegane, a badanie prowadzone było wyłącznie w celach naukowych.  Skonfiguruj środowisko bazy danych za pomocą PostgreSQL (v17.1.11). Użyj Navicat Premium (v17) jako interfejsu zarządzania bazą danych i zapytań do wykonywania zapytań SQL i eksportowania ekstrahowanych zestawów danych do analizy.

Selekcja pacjentów
Identyfikuj pacjentów z rakiem płuc w MIMIC-IV za pomocą kodów Międzynarodowej Klasyfikacji Chorób, Dziewiątej i Dziesiątej Rewizji (ICD-9 i ICD-10)17. Zastosuj następujące kryteria wykluczenia sekwencyjnie: Wiek <18 lat lub >90 lat; Brak pomiarów albuminy surowicowej w ciągu pierwszych 24 godzin po przyjęciu na ICU; Wielokrotne przyjęcia na ICU lub szpital; Pobyt na ICU <24 godzin.

Ekstrakcja zmiennych
Ekstrahowane zmienne z MIMIC-IV (v3.1) za pomocą PostgreSQL (v17.1.11) przez Navicat Premium (v17), w tym: demografia, objawy życiowe, badania laboratoryjne, choroby współistniejące, interwencje terapeutyczne, wskaźniki ciężkości i wyniki. Demografia: wiek, płeć. Objawy życiowe w ciągu pierwszych 24 godzin po przyjęciu na ICU: tętno (HR), częstość oddechów (RR), nasycenie tlenem (SpO₂) i temperatura. Zmienne laboratoryjne w ciągu pierwszych 24 godzin: albumina surowicowa, glukoza, kreatynina, azot mocznika, bilirubina całkowita, hemoglobina, liczba czerwonych krwinek (RBC), liczba białych krwinek (WBC), liczba płytek, szerokość rozkładu czerwonych krwinek (RDW), alanina aminotransferaza (ALT), asparagina aminotransferaza (AST), czas protrombinowy (PT), wapń, potas, sód, chlor. Choroby współistniejące z zapisów diagnostycznych: nadciśnienie tętnicze, marskość wątroby, przewlekła choroba nerek, cukrzyca, przewlekłe zapalenie oskrzeli, niewydolność serca przerostowa i przewlekła obturacyjna choroba płuc (POChP). Wskaźniki ciężkości przy przyjęciu na ICU: Sequential Organ Failure Assessment (SOFA), Simplified Acute Physiology Score II (SAPS II), Charlson Comorbidity Index, Acute Physiology and Chronic Health Evaluation II (APACHE II). Interwencje terapeutyczne: ogólnoustrojowe kortykosteroidy, antybiotyki, wazopresory. Czynnik życiowy: historia palenia. Dla wszystkich zmiennych laboratoryjnych i wskaźników ciężkości w ciągu pierwszych 24 godzin, jeśli dostępne są wielokrotne pomiary, oblicz wartość średnią w ciągu pierwszego dnia i użyj tej wartości do analizy. Wykluczaj zmienne z więcej niż 20% brakujących danych. Dla zmiennych z brakami ≤20%, wykonaj imputację za pomocą algorytmu missForest, metody opartej na losowym lesie uczenia maszynowego do obsługi danych klinicznych mieszanego typu. Udział brakujących danych dla kluczowych zmiennych znajduje się w Tabeli uzupełniającej 1.

Definicja wyników
Zdefiniuj główny wynik jako śmierć z dowolnej przyczyny w ciągu 28 dni po przyjęciu na ICU. Ustalenie statusu zgonu na podstawie zapisów śmierci dostępnych w bazie danych MIMIC-IV. Klasyfikuj pacjentów jako ocalonych lub nieocalonych na podstawie statusu 28-dniowej zgonalności.

Analiza statystyczna
Oceń rozkład zmiennych ciągłych za pomocą testu Shapiro-Wilka. Porównaj zmienne normalnie rozłożone za pomocą testu Studenta t, a zmienne nienormalnie rozłożone za pomocą testu Wilcoxona-rank-sum. Porównaj zmienne kategorialne za pomocą testu chi-kwadrat. Przeprowadź regresję z operatorem najmniejszych wartości bezwzględnych i wybieraniem (LASSO) z 10-krotną weryfikacją krzyżową w celu wybrania zmiennych kandydatów i zmniejszenia wielokolinearności. Skonstruuj modele Coxa proporcjonalnych współczynników ryzyka wielowarstwowych, aby ocenić niezależne powiązanie między albuminą surowicową a 28-dniową zgonalnością. Albumina surowicowa została wprowadzona zarówno jako zmienna ciągła, jak i kategorialna, a współczynniki wybrane przez regresję LASSO zostały włączone do korekty. Szacowane były współczynniki ryzyka (HR) i 95% przedziały ufności (CI). Zbadaj nieliniowe powiązania za pomocą analizy ograniczonych splajnów sześciennych (RCS). Węzły zostały umieszczone w ustalonych percentylach rozkładu albuminy, a nieliniowość została oszacowana poprzez testowanie terminów splajnu. Wygeneruj krzywe przeżycia Kaplana-Meiera i porównaj dystrybucje przeżycia za pomocą testu log-rank.

Rozwój i walidacja modelu

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Charakterystyka wyjściowa
Z bazy danych MIMIC-IV zidentyfikowano i wyodrębniono łącznie 1 274 pacjentów z rakiem płuca (Rysunek 1). Mediana wieku w kohorcie wynosiła 69 lat (IQR: 61–77), a 51,18% stanowili mężczyźni. Ogółem 343 pacjentów (26,92%) zmarło w ciągu 28 dni od przyjęcia na OIOM. Charakterystyka wyjściowa z podziałem na status przeżycia po 28 dniach przedstawiona jest w Tabeli 1. W porównaniu z osobami, które przeżyły, u osób zmarłych stwierdzo...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

W tej badaniu zbadaliśmy związek między poziomami albuminy surowicowej a 28-dniową śmiertelnością z dowolnej przyczyny wśród pacjentów ICU z rakiem płuca, korzystając z danych z bazy danych MIMIC-IV. Niższe poziomy albuminy surowicowej były niezależnie związane z wyższym ryzykiem 28-dniowej śmiertelności, nawet po uwzględnieniu szerokiego zakresu zmiennych klinicznych. Ten związek utrzymywał się w różnych podejściach analitycznych, w tym w modelach proporcjonalnych hazardów Cox i metodach ML. Analizy podgrup dodatkowo wy...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy deklarują brak konfliktu interesów.

Podziękowania

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

Ogromnie cenimy wkład wszystkich autorów w to badanie; ich nieocenione wysiłki były kluczowym czynnikiem jego sukcesu. Badania zostały sfinansowane przez Narodowe Fundusz Nauki Przyrodniczej Chin (82174415, 82405441), projekt innowacji naukowo-technicznej Chińskiej Akademii Tradycyjnej Medycyny Chińskiej (CI2021A01818, C12021A03307, C12021A05054) oraz projekt budowy szpitala medycyny tradycyjnej na wysokim poziomie Wangjing Hospital, Chińskiej Akademii Nauk Medycznych. Specjalny projekt oparty na dowodach klinicznych dla medycyny tradycyjnej chińskiej (WJYY-XZKT-2023-25).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
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)Oprogramowanie open-source

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

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

Poproś o pozwolenie

Tagi

albuminowy w surowicy28 dobowa miertelnoregresja logistycznamodel proporcjonalnego hazardu Coxaanaliza SHAPstratyfikacja ryzykawyb r cech

Powiązane artykuły