Araştırma makalesi

Yoğun Bakım Hastanesi Hastalarında 28 Günlük Tüm Nedenlerle Ölümünü Tahmin Etmek İçin Albümin ve Makine Öğrenimi Modeli

DOI:

10.3791/70067

⸱

3 Nisan 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

Bu makalede

Özet

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

Bu protokol, MIMIC-IV veritabanından yoğun bakım ünitesi klinik verilerinin çıkarılmasını ve akciğer kanseri hastalarında 28 günlük ölüm tahmini olarak serum albüminini değerlendirmek için sağkalım analizi ve yorumlanabilir makine öğrenimi modellerinin adım adım uygulamasını detaylandırır.

Özet

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

Serum albümini, beslenme durumu, sistemik iltihap ve hastalık yükünü yansıtır. Ancak, akciğer kanseri olan kritik hastalarda prognostik önemi belirsizdir. Bu çalışma, yoğun bakım ünitesinde (yoğun bakım) akciğer kanseri olan hastalarda serum albümini ile 28 günlük tüm nedenlerle sonuçlanan ölüm arasındaki ilişkiyi araştırmayı ve makine öğrenimi (ML) modellerinde öngörücü değerini değerlendirmeyi amaçladı. Bu retrospektif kohort çalışması, Medical Information Mart for Intensive Care IV (MIMIC-IV) veritabanından akciğer kanseri olan 1.274 yetişkin yoğun bakım hastasını içermiştir. Çok değişkenli Cox orantılı riskler modelleri, serum albümini ile 28 günlük ölüm arasındaki ilişkiyi değerlendirdi. Ek analizler arasında sınırlı kübik splinelar, Kaplan–Meier hayatta kalma eğrileri ve alt grup analizleri yer aldı. ML sınıflandırıcıları, en az mutlak küçülme ve seçim operatörü (LASSO) ile Boruta kullanılarak geliştirildi. Optimal model olarak lojistik regresyon seçilmiş, yorumlama için ise SHapley Ekleme Açıklamaları (SHAP) değerleri kullanılmıştır. 1.274 hasta arasında 28 günlük ölüm oranı %26,9'du. Daha düşük serum albümin seviyeleri, bağımsız olarak daha yüksek 28 günlük ölüm oranıyla ilişkilendirildi. Serum alüminindeki her 1 g/dL artış için tehlike oranı 0,729 (%95 CI, 0,597–0,891; p = 0.002). Serum albümin dörtlükleri arasında ters bir ilişki gözlemlendi (trend <0.001 için p) ve Kaplan–Meier analizi, albümin ≥2.9 g/dL (log-rank p < 0.0001) olan hastalarda daha düşük ölüm oranı gösterdi. Lojistik regresyon modeli, doğrulama kohortunda 0.767 AUC elde etti ve bu da iyi ayırt etme ve kalibrasyonu gösterdi. SHAP analizi, serum albüminini 28 günlük ölüm oranının önemli bir öngörücüsü olarak belirledi. Düşük serum albümini, akciğer kanseri olan yoğun bakım hastalarında kısa süreli ölüm oranının artmasıyla bağımsız olarak ilişkilendirildi. Serum albümini, bu popülasyonda erken risk tabakalaşması için pratik bir biyobelirteç olarak hizmet verebilir. Albümini içeren makine öğrenimi modelleri güçlü öngörücü performans ve yorumlanabilirlik göstermiştir.

Giriş

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

Akciğer kanseri, dünya çapında en yaygın ve en ölümcül kanser türleri arasında yer almaya devam etmektedir. Global Cancer Observatory (GLOBOCAN 2020) tarafından bildirildiğine göre, akciğer kanseri yeni tespit edilen tüm kanser vakalarının yaklaşık %11,4'ünü oluşturur ve kanserle ilişkili ölümlerin birincil nedeni olmaya devam etmektedir; dünya genelinde kanser ölümlerinin yaklaşık %18'ine katkıdabulunmaktadır 1. Erken tanı teknikleri, kemoterapî rejimleri ve hedefli tedavi yaklaşımlarında önemli ilerlemeler kaydedilmiş olsa da, akciğer kanseri için genel 5 yıllık sağlıklanma oranı %20'nin altında kalmaktadır; bunun başlıca nedeni geç evre sunumu ve son derece agresifdoğasıdır 2.

Akciğer kanseri tanısı konan önemli sayıda kişi, hastalık süreci boyunca yoğun bakım ünitesine (yoğun bakım) yatırılmak zorunda kalır; bu, en sık kanser ilerlemesi veya tedaviyle ilişkili yan etkilerden kaynaklanabilecek akut solunum sıkıntısı, ağır enfeksiyonlar veya kanamalar gibi komplikasyonlar nedeniyle. Bu hasta grubunda, yoğun bakım yatışı kötü kısa vadeli prognozlarla güçlü şekilde bağlantılıdır; bildirilen 28 günlük ölüm oranları %30 ile %60 arasında değişir ve bu oranlar daha geniş yoğun bakım popülasyonunda gözlemlenenleri önemli ölçüdeaşmaktadır 3. Akciğer kanseri olan önceki yoğun bakım bölümlerinde eşlik eden hastalıklar oldukça yaygındır; hastaların yaklaşık %46,1'inde ve %37,9'unda diyabet rapor edilmiştir. Ayrıca, bu hastaların neredeyse yarısı orta ila şiddetli başlangıç fonksiyonel engelle (%45,6) ilişkilidir ve bu da yoğun bakım bakımını zorlaştırabilir ve kısa vadeli kötü sonuçlara katkıda bulunabilir4. Yoğun bakım ortamında kritik derecede hasta akciğer kanseri hastalarının bakımı önemli terapötik karmaşıklıklar sunar. Bu hastalar için klinik karar alma süreçleri genellikle mekanik ventilasyonun başlatılması, vazopressörlerin uygulanması ve geniş spektrumlu antibiyotiklerin uygulanması gibi karmaşık değerlendirmeleri gerektirir; bunların hepsi, genellikle sınırlı bir geri dönüş potansiyeli gösteren altta yatan bir kanser çerçevesinde değerlendirilmelidir. Erken ölüme karşı artan savunmasızlıklarının altında yaygın tümör ilerlemesi, kalıcı sistemik iltihap yanıtları, organ işlevselliğinin bozulması ve beslenme eksiklikleri gibi birçok değişkenvardır. Hipoalbuminemi, bu hasta popülasyonunda erken ölümle ilişkili temel klinik faktörlerden biri olarak sıkça tanımlanır. Serum albümini, hem kanserle ilişkili kaşeksiden kaynaklanan kronik yetersiz beslenmeyi hem de kritik hastalık sırasında akut sistemik inflamatuar yanıtları yansıtan bir gösterge olarak hizmet eder ve potansiyel olarak önemli prognostik bilgilersağlar 6. Serum albümini klinik uygulamada rutin olarak ölçülse de, yoğun bakıma kabul edilen akciğer kanseri hastalarında prognostik değeri kapsamlı şekilde araştırılmamıştır ve mevcut risk tahmin araçlarında büyük ölçüde yoktur7. Bu klinik bağlamda kısa süreli ölüm oranının yükselmesi ve yönetimin karmaşıklığı göz önüne alındığında, erken risk değerlendirmesini kolaylaştıracak ve tedavi kararlarını bilgilendirecek kolay ve pratik biyobelirteçlere acil ihtiyaç vardır. Bu bağlamda, serum albümini, akciğer kanseri olan kritik hastalarda prognostik önemini netleştirmek için ek araştırmalar gerektirir 8,9,10.

Kanserle ilişkili risk faktörlerinin karmaşık ve birbirine bağlı özellikleri nedeniyle, geleneksel istatistiksel yaklaşımlar yüksek boyutlu klinik veri setlerinde gömülü içsel doğrusal olmayan ilişkileri etkili şekilde modellemede sıkça zorluklarla karşılaşır. Makine öğrenimi (ML) metodolojilerinin ortaya çıkışı, kanser riski tahminini iyileştirmek için yeni yollar ortaya koymuştur. Rastgele orman (RF), aşırı gradyan güçlendirme (XGBoost) ve destek vektör makinesi (SVM) gibi teknikler, biyomedikal araştırmalarda yaygın uygulama kazanmış, karmaşık veri desenlerini yönetmede güçlü yetenekler sergileyerek üstün tahmin doğruluğusağlamıştır 11,12. Buna rağmen, bu tür modellerin opak veya kara kutu özellikleri yorumlanabilirliklerini kısıtlar ve klinik ortamlara entegrasyonlarını engeller. Bu dezavantajı aşmak için, oyun teorisine dayanan SHapley Ekli Açıklamalar (SHAP) yöntemi, model şeffaflığını artırmak için güçlü bir araçolarak tanıtılmıştır 13. Her özellik için Shapley değerlerinin hesaplanmasıyla SHAP, belirli değişkenlerin model çıktıları üzerindeki etkisini etkili bir şekilde niceliklendirerek hem yorumlanabilirliği hem de güvenilirliği artırır14. Bu yaklaşım, biyomedikal araştırmalarda ML tabanlı modellerin klinik uygulanabilirliğini teşvik etmek için giderek daha fazla benimsenmiştir.

Bu faktörleri göz önünde bulundurarak, bu çalışma, akciğer kanseri teşhisi konmuş kritik hastalarda serum albuminin prognostik önemini, Yoğun Bakım için Tıbbi Bilgi Merkezi IV (MIMIC-IV) veri tabanından elde edilen klinik bilgileri kullanarak kapsamlı şekilde incelemek amacıyla tasarlanmıştır. Bu hedefe ulaşmak için hem geleneksel istatistiksel analizleri hem de makine öğrenimi yöntemlerini kullandık. Bildiğimiz kadarıyla, serum albuminini hem bağımsız bir prognostik faktör hem de makine öğrenimi modellerinde, özellikle akciğer kanseri olan yoğun bakım hastalarında klinik olarak yorumlanabilir bir katkıcı olarak incelemişçok az çalışmadır. Mevcut çalışmaların çoğu ya genel yoğun bakım toplumları ya da yoğun bakım dışı onkoloji gruplarına odaklanmışken, kritik hasta kanser hastalarındaki makine öğrenimi tabanlı prognostik modeller, bireysel biyobelirteçlerin klinik katkısını açıkça değerlendirmeden öngörücü performansı büyük ölçüde vurgulamıştır16.

Bu bağlamda, mevcut çalışma, geleneksel hayatta kalma analizini makine öğrenimi yaklaşımları ve SHAP tabanlı yorumlama ile birleştirerek, serum albümini ile 28 günlük tüm nedenlerle ölüm arasındaki ilişkiyi netleştirir ve bu yüksek riskli popülasyona özel yorumlanabilir bir tahmin çerçevesinde göreceli önemini nicelikle ölçermektedir. Başlangıçta, serum albümin seviyeleri ile 28 günlük tüm nedenlerle sonuçlanan ölüm arasındaki bağımsız ilişkiyi değerlendirmek için çok değişkenli Cox orantılı risk modelleri uygulandı ve ilgili karıştırıcı faktörler için ayarlamalar yapıldı. Aynı zamanda, ML algoritmaları kullanılarak öngörücü modeller oluşturularak ana prognostik belirleyicileri belirlemek ve serum albümininin genel öngörü kapasitesine özgü katkısını incelemek için oluşturuldu. Özellikle, serum albümininin göreli etkisinin diğer klinik özelliklere kıyasla nicelendirilmesine olanak tanıyan SHAP'ın uygulanabilir modelinin iyileştirilmesine odaklanıldı. Serum albümini, rutin olarak toplanan klinik göstergelerle birlikte birleştirerek, bu araştırma, erken klinik karar alma süreçlerini geliştirmek ve bu yüksek riskli grup için bireyselleştirilmiş bakımı mümkün kılmak için sağlam ve yorumlanabilir bir risk tabakalaştırma aracı oluşturmayı amaçlamaktadır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Veritabanı erişimi ve yazılım ortamı
Etik veri kullanımı üzerine gerekli eğitimi tamamladıktan sonra Yoğun Bakım IV için Tıbbi Bilgi Merkezi (MIMIC-IV, v3.1) yetkili erişim alın (Sertifika Kimliği: 69002811). İnsan Özenleri İçin Yaşam Bilimleri ve Tıbbi Araştırmaların Etik İnceleme Ölçümleri'ne (18 Şubat 2023, Çin) göre, 32. Madde, yasal olarak elde edilen kamu verileri, kamu davranışına müdahale etmeden üretilen veriler veya anonimleştirilmiş bilgiler kullanılarak yapılan araştırmaların etik incelemeden muaf tutulduğunu belirtir. Bu hükümlere uygun olarak, bu çalışma kurumsal etik onaydan muaf tutuldu. Veri kullanım protokolü ve etik yönergeler sıkı bir şekilde takip edildi ve çalışma yalnızca bilimsel araştırma amaçları için yürütüldü. PostgreSQL (v17.1.11) kullanarak veritabanı ortamını kurun. SQL sorgularını çalıştırmak ve analiz için çıkarılmış veri setlerini dışa aktarmak için veritabanı yönetimi ve sorgu arayüzü olarak Navicat Premium (v17) kullanın.

Hasta seçimi
MIMIC-IV'te akciğer kanseri olan hastaları Uluslararası Hastalıklar Sınıflandırması, Dokuzuncu ve Onuncu Revizyon (ICD-9 ve ICD-10)kodları 17 kullanılarak tespit edin. Aşağıdaki dışlama kriterlerini sıralı olarak uygulayın: Yaş <18 yaş veya >90; Yoğun bakıma yatışın ilk 24 saatinde serum albümin ölçümlerinin eksikleşmesi; Birden fazla yoğun bakım veya hastane yatışı; Yoğun bakım kalanında çalışma süresi <24 saat.

Değişken çıkarma
Navicat Premium (v17) üzerinden PostgreSQL (v17.1.11) kullanarak MIMIC-IV (v3.1) değişkenlerini çıkarmak; bunlar arasında demografik bilgiler, hayati bulgular, laboratuvar testleri, eş hastalıklar, terapötik müdahaleler, şiddet puanları ve sonuçlar dahildir. Demografi: yaş, cinsiyet. Yoğun bakıma yatıştan sonraki ilk 24 saat içindeki hayati belirtiler: kalp atış hızı (kalp itiri), solunum hızı (RR), oksijen doygunluğu (SpO₂) ve sıcaklık. İlk 24 saat içindeki laboratuvar değişkenleri: serum albümini, glikoz, kreatinin (AST), üre azotu, toplam bilirubin, hemoglobin, kırmızı kan hücresi (RBC) sayısı, beyaz kan hücresi (WBC) sayısı, trombosit sayısı, kırmızı beynik dağılım genişliği (RDW), alanin aminotransferaz (ALT), aspartat aminotransferaz (AST), protrombin zamanı (PT), kalsiyum, potasyum, sodyum, klorür. Tanı kayıtlarından eş hastalıklar: hipertansiyon, hepatik siroz, kronik böbrek hastalığı, diyabet, kronik bronşit, konjestif kalp yetmezliği ve kronik obstruktif akciğer hastalığı (KOAH). Yoğun bakım yönünde şiddet puanları: Ardışık Organ Yetmezliği Değerlendirmesi (SOFA), Basitleştirilmiş Akut Fizyoloji Skoru II (SAPS II), Charlson Komorbidite İndeksi, Akut Fizyoloji ve Kronik Sağlık Değerlendirmesi II (APACHE II). Terapötik müdahaleler: sistemik kortikosteroidler, antibiyotikler, vazopresorlar. Yaşam tarzı faktörü: sigara geçmişi. İlk 24 saat içindeki tüm laboratuvar değişkenleri ve şiddet skorları için, birden fazla ölçüm varsa, 1. gün boyunca ortalama değeri hesaplayın ve bu değeri analiz için kullanın. %20'den fazla eksik veri olan değişkenleri hariç tutun. Eksikliği ≤%20 olan değişkenler için, karma tip klinik verilerin işlenmesi için rastgele orman tabanlı makine öğrenimi yöntemi olan missForest algoritması kullanılarak emputasyon yapılabilir. Ana değişkenler için eksik veri oranı Ek Tablo 1'de verilmiştir.

Sonuç tanımı
Birincil sonuç, yoğun bakıma kabul edildikten sonraki 28 gün içinde tüm nedenlerle sonuçlanan ölüm olarak tanımlanır. MIMIC-IV veritabanında bulunan ölüm kayıtları kullanılarak ölüm durumunu tespit edin. Hastaları 28 günlük ölüm durumuna göre hayatta kalan veya hayatta kalmayan olarak sınıflandırın.

İstatistiksel analiz
Shapiro–Wilk testi kullanılarak sürekli değişkenlerin dağılımını değerlendirin. Normal dağılımlı değişkenleri Student'in t-testi ile normal dağılımlı değişkenleri Wilcoxon sıralama toplamı testi ile karşılaştırın. Kategorik değişkenleri ki-kare testiyle karşılaştırın. Aday değişkenleri seçmek ve çoklu kollineerliği azaltmak için 10 kat çapraz doğrulama ile en az mutlak küçülme ve seçim operatörü (LASSO) regresyonunu gerçekleştirin. Serum albümini ile 28 günlük ölüm arasındaki bağımsız ilişkiyi değerlendirmek için çok değişkenli Cox orantılı risk modelleri oluşturun. Serum albümini hem sürekli hem de kategorik değişken olarak girildi ve LASSO regresyonuyla seçilen kovaryatlar ayarlama için dahil edildi. Tehlike oranları (HR'ler) ve %95 güven aralıkları (CI) tahmin edildi. Kısıtlı kübik spline (RCS) analiziyle doğrusal olmayan ilişkileri keşfedin. Düğümler, albümin dağılımının önceden belirlenmiş yüzdeliklerine yerleştirildi ve doğrusal olmayanlık spline terimleri test edilerek değerlendirildi. Kaplan–Meier hayatta kalma eğrileri oluşturun ve log-rank testini kullanarak hayatta kalma dağılımlarını karşılaştırın.

Makine öğrenimi modeli geliştirme ve doğrulama
Veri setini hasta düzeyinde rastgele olarak bir eğitim seti (%70), doğrulama seti (%15) ve bağımsız bir test seti (%15) olarak böl. Özellik seçimini yalnızca LASSO regresyonu ile Boruta algoritması ile seçilen değişkenlerin kesişimini belirleyerek eğitim seti kullanılarak gerçekleştirin; böylece yalnızca kararlı ve ilgili tahmin ediciler korunur. Eğitim setinde lojistik regresyon, rastgele orman, karar ağacı, destek vektör makinesi, XGBoost, LightGBM, tamamlayıcı naif Bayes ve destek vektör sınıflayıcısı dahil olmak üzere sekiz makine öğrenimi sınıflayıcısını eğitin. Model performansı önce doğrulama setinde değerlendirilmiş ve ardından AUC-ROC, AUC-PR, doğruluk, hassasiyet, özgüllük, kalibrasyon eğrileri, karar eğrisi analizi ve öğrenme eğrileri kullanılarak bağımsız test setinde doğrulanmıştır.

Model yorumu ve uç noktası
Doğrulama performans metriklerine dayalı olarak en iyi performans gösteren makine öğrenimi modelini belirleyin. Her özelliğin ölüm tahminine katkısını nicelikle ölçmek için SHapley Ekleyici Açıklamaları (SHAP) uygulanır. Serum albümini ve diğer öngörücülerin göreceli önemini ve yönünü görselleştirmek için SHAP özeti ve bağımlılık grafikleri oluşturun. Analizi, istatistiksel ve makine öğrenimi sonuçlarını entegre ederek yorumlanabilir bir risk stratifikasyonu çerçevesi oluşturarak tamamlayın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Temel özellikler
Toplam 1.274 akciğer kanseri hastası tespit edilip MIMIC-IV veritabanından çıkarıldı (Şekil 1). Kohortun medyan yaşı 69 idi (IQR: 61–77) ve %51,18'i erkekti. Genel olarak, yoğun bakıma yatıştan sonraki 28 gün içinde 343 hasta (%26,92) hayatını kaybetti. 28 günlük hayatta kalma durumu ile katmanlanmış başlangıç özellikleri Tablo 1'de sunulmaktadır. Hayatta kalanlara kıyasla, hayatta kalmayanlar hastalığın ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu çalışmada, MIMIC-IV veri verilerini kullanarak akciğer kanseri olan yoğun bakım hastalarında serum albümin seviyeleri ile 28 günlük tüm nedenlerle ölüm arasındaki ilişkiyi inceledik. Daha düşük serum albümin seviyeleri, geniş klinik kovaryatlar için ayarlama yapıldıktan sonra bile bağımsız olarak 28 günlük ölüm riskinin artmasıyla ilişkilendirildi. Bu ilişki, Cox orantılı tehlike modelleri ve makine öğrenimi yöntemleri dahil olmak üzere çeşitli analitik yaklaşımlarda tutarlı kaldı. Al...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar rekabet eden çıkarlar belirtmemektedir.

Teşekkürler

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

Tüm yazarların bu çalışmaya yaptığı önemli katkıları içtenlikle takdir ediyoruz; Paha biçilmez çabaları bu başarıda etkili olmuştur. Bu araştırma, Çin Ulusal Doğa Bilimleri Vakfı (82174415, 82405441), Çin Geleneksel Çin Tıbbı Akademisi'nin Bilim ve teknoloji yenilik projesi (CI2021A01818, C12021A03307, C12021A05054) ve Wangjing Hastanesi'nin Yüksek Düzey Geleneksel Çin Tıp Hastanesi İnşaat Projesi, Çin Çin Tıp Bilimleri Akademisi Geleneksel Çin Tıp Klinik Kanıta Dayalı Araştırma Özel Projesi (WJYY-XZKT-2023-25) tarafından finanse edilmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Medical Information Mart for Intensive Care IV (MIMIC-IV) DatabaseMassachusetts Institute of Technologyhttp: //mimic.physionet.org/
Navicat Premium (v17)PremiumSoft CyberTech Ltd.
PostgreSQL (v17.1.11)PostgreSQL Global Development Group
Python (v3.10)Python Software Foundation
R Statistical Software (v4.2.3)R Foundation for Statistical Computing
SHapley Additive exPlanations (SHAP)Open-source software

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Serum Alb min28 G nl k MortaliteLojistik RegresyonCox Orant l Riskler ModeliSHAP AnaliziRisk Stratifikasyonuznitelik Se imi

İlgili makaleler