GÜNCEL YAYIN Koruyucu Hekimlik, Yaşam Tarzı Tıbbı ve Hücresel Biyoloji
📅 15 Kasım 2026 · Bağımsız Editoryal Ağ
Kardiyoloji

İkinci Ruh Hali Değişiklikleri: Ruhsal Bozuklukların Kalp Yetmezliği Riskini Artırması

✍️ Editör Masası • 📅 15 Kasım 2026 • ⏱️ 32 dk okuma
İkinci Ruh Hali Değişiklikleri: Ruhsal Bozuklukların Kalp Yetmezliği Riskini Artırması

Orijinal Araştırma Makalesi

Front. Oncol., 13 Kasım 2026

Bölüm: Radyasyon Onkolojisi

Cilt 16 – 2026 | https://doi.org/10.3389/fonc.2026.1935075

  • JC

    Junjie Chen 1†

  • XX

    Xiaoyan Xie 2†

  • MZ

    Meng Zhang 3

  • ZL

    Zhiheng Liu 4

  • RM

    Ruilan Mo 1

  • NX

    Ning Xiao 1

  • WZ

    Wei Zhao 5*

  • 1. Guangxi Tıp Üniversitesi, Nanning, Guangxi Zhuang, Çin

  • 2. Binyang Hastanesi, Nanning, Guangxi Zhuang, Çin

  • 3. Guangxi Zhuang Özerk Bölgesi halk hastanesi, Nanning, Guangxi Zhuang, Çin

  • 4. Jining Tıp Üniversitesi Klinik Tıp Fakültesi, Jining, Shandong, Çin

  • 5. Guangxi Tıp Üniversitesi İkinci Bağlı Hastanesi, Nanning, Guangxi Zhuang, Çin

Makale ölçütleri

Özet

Amaç:

Radyoterapiyle ilişkili kayıtları bulunan kritik hastalarda, erken kısa vadeli ölüm değerlendirmesi klinik açıdan anlamlı olabilir. Bu çalışmanın amacı, ICU’ya yatıştan sonraki ilk 24 saat içinde gözlemlenebilen hastalarda 28 günlük ölümü öngören, yorumlanabilir bir makine öğrenmesi modeli geliştirmek ve geçerliliğini değerlendirmektir.

Yöntem:

Model eğitimi için MIMIC-IV’den hastalar (n=908), zamansal test için MIMIC-III CareVue alt kümesinden (n=499) ve dış validasyon için eICU/yerel kohortlardan (n=118) yararlanıldı. Uygunluk yalnızca radyoterapiyle ilişkili tanı veya işlem kayıtlarıyla belirlendi; bu kayıtlar model öngörücüleri olarak kullanılmadı. Model öngörücüleri, ICU’ya yatıştan sonraki ilk 24 saat içinde kaydedilen bilgilerden türetildi. Eksik veriler çoklu imputasyon ile işlendi. Eğitim kohortunda özellik seçimi için LASSO regresyonu kullanıldı. Yedi makine öğrenmesi modeli ayırt ediciliklerine göre karşılaştırıldı ve seçilen model kalibrasyon, karar eğrisi analizi ve SHAP yorumlaması ile değerlendirildi. Sepsis ve akut böbrek hasarı dışlanan bir duyarlılık analizi yapıldı.

Sonuçlar:

28 günlük mortalite oranları eğitim, zamansal test ve dış validasyon kohortlarında sırasıyla %11,56 (105/908), %11,62 (58/499) ve %12,71 (15/118) olarak bulundu. LASSO; klorür, SOFA skoru, RDW, solunum hızı, sepzis ve akut böbrek hasarını seçti. Zamansal test kohortunda rastgele orman, eşleştirilmiş karşılaştırmalarda en yüksek gözlemlenen AUC’ye (0,868; %95 IG, 0,815-0,917) ulaştı ve SOFA tabanlı kıyaslama, altı değişkenli lojistik regresyon ve ANN’den daha yüksek ayırt edicilik gösterdi. Dış validasyon kohortunda rastgele orman 0,785 AUC’ye (%95 IG, 0,650-0,909) ulaştı. Sepsis ve böbrek hasarının dışlanmasının ardından gözlemlenen AUC, zamansal testte 0,843’e ve dış validasyonda 0,713’e düştü; her iki AUC farkı için de eşleştirilmiş güven aralıkları sıfırı içeriyordu.

Sonuç:

Altı değişkenli rastgele orman modeli, radyoterapi kayıtları üzerinden belirlenen ICU hastalarında 28 günlük mortalite için faydalı ayırt edicilik göstermiş ve dışsal validasyonda orta düzeyde ayırt ediciliği korumuştur. SHAP analizi, rutin olarak erişilebilir genel ICU değişkenlerinin katkısını göstererek model yorumlanabilirliğini artırmıştır. Radyoterapi kayıtları yalnızca çalışma popülasyonunu tanımlamak için kullanılmıştır; bu çalışma radyoterapi maruziyetini veya radyoterapiye özgü mekanizmaları değerlendirmemiştir. Bu bulgular, modelin daha büyük prospektif kohortlarda prognozsal risk stratifikasyonu için değerlendirilmesini desteklemektedir.

1. Giriş

Radyoterapi, malign tümörler için önemli bir lokal tedavi yöntemi olup, geniş kapsamlı solid tümörlerde küratif, adjuvan ve palyativ tedavi amacıyla yaygın olarak kullanılmaktadır. Görüntü rehberliğinde radyoterapi, yüksek hassasiyetli radyoterapi ve adaptif radyoterapi alanındaki gelişmelerle hedef delineasyonu giderek daha doğru hale gelmiş ve normal dokulara radyasyon maruziyeti azalmıştır (). Buna rağmen, radyoterapiye bağlı hasar klinik açıdan önemini korumaktadır. Radyasyon, DNA hasarı, oksidatif stres, vasküler endotelyal hasar, inflamasyon ve fibrotik yeniden şekillenme gibi mekanizmalar yoluyla akut veya geç organ hasarına yol açabilir. Toraks radyoterapii radyasyon kaynaklı akciğer hasarı ve kardiyovasküler hasara, abdominal ve pelvik radyoterapi ise gastrointestinal ve idrar yollarına ilişkin komplikasyonlara yol açabilir (–). Bu olası tedaviye bağlı etkiler, hastalarda sonrasında enfeksiyon, solunum yetmezliği, akut böbrek hasarı veya hemodinamik kararsızlık geliştiğinde klinik değerlendirmeyi zorlaştırabilir. Bu nedenle, radyoterapiye bağlı kayıtları bulunan ICU hastalarında kısa süreli mortalite riski değerlendirmesi klinik açıdan önem taşımaktadır.

Sık kullanılan ICU ölüm riski skorları arasında APACHE II (Akut Fizyoloji ve Kronik Sağlık Değerlendirmesi II), SAPS II (Basitleştirilmiş Akut Fizyoloji Skoru II) ve SOFA skoru yer alır. Bu skorlama sistemleri genel olarak kritik hastalığı olan hastalarda akut fizyolojik bozulmaları ve organ disfonksiyonunu yansıtabilse de, bu popülasyondaki performansları daha az spesifik olarak çalışılmıştır. Bu popülasyonda kısa süreli prognoz, akut organ disfonksiyonu, enfeksiyon durumu, solunum durumu, renal fonksiyon ve diğer rutin olarak erişilebilir klinik faktörlere dayanabilir. Skorlama modelleri genellikle doğrusal varsayımlara veya sabit ağırlık sistemlerine dayanır ve bu karmaşık ilişkileri yeterli şekilde yakalayamayabilir. Son yıllarda makine öğrenimi, ICU ölümü için prognoz tahmininde hayati bulgular, laboratuvar tetkikleri, eşlik eden hastalıklar ve tedavi müdahalelerini içeren çok boyutlu verileri entegre etmek amacıyla kullanılmış; kritik hastalığı kanser hastaları, karaciğer kanseri, akciğer kanseri, akutaciğer yetmezliği ve sepsis gibi popülasyonlarda kullanılmıştır (–). Buna karşılık, SHAP gibi yorumlanabilir yöntemler, her bir değişkenin model tahminlerine katkısını nicelendirebilir ve böylece şeffaflığı ile klinik anlaşılırlığı artırabilir.

K radyoterapi ile ilişkili kayıtları olan ICU hastalarında ölüm tahmini konusunda özgün çalışma yapan az sayıdaki çalışma bulunmaktadır. Bu hastalarda kısa süreli ölüm, akut kritik hastalık, organ disfonksiyonu ve diğer rutin olarak erişilebilir ICU faktörlerinden etkilenebilir. Bu nedenle, bu popülasyon için yorumlanabilir bir makine öğrenimi modelinin geliştirilmesi klinik değere sahiptir. Bu çalışmada, MIMIC-IV veri tabanını kullanarak 28 günlük ölüm tahmin modeli geliştirdik, bunu MIMIC-III zaman içinde test popülasyonunda değerlendirdik ve eICU veri tabanı ile Guangxi Zhuang Özerk Bölge Halk Hastanesi’nden oluşan birleşik bir popülasyonda dışsal olarak validasyonunu yaptık. Birden fazla makine öğrenimi algoritmasının performansını karşılaştırdık ve ana tahmin edicileri yorumlamak için SHAP analizi kullandık; amacımız, bu hastalık grubunda erken risk stratifikasyonuna ve prognoz değerlendirmesine destek olmaktı.

2 Yöntemler

2.1 Kaynaklar ve çalışma popülasyonu

Bu retrospektif çok merkezli çalışma, MIMIC-IV, MIMIC-III CareVue alt kümesi v1.4, eICU İşbirlikli Araştırma Veri Seti ve Guangxi Zhuang Özerk Bölgesi İnsan Hastanesi’nden elde edilen yerel kohortu kullanmıştır. Veri setleri kimliği kaldırılmış ve ilgili veri kullanım koşulları altında kullanılmıştır; ilk yazarın yetki kaydı numarası 75725411’dir. Yerel kohort, etik kurul onayı [No. KY-KJT-2026-414(1)] ile Aralık 2020 ile Şubat 2026 arasında toplanmıştır. İKÜ’ye yatırılan yetişkin hastalar, veri setine özgü tanı veya tedavi kayıtlarının radyoterapiyle ilişkili kayıtları belgelediği durumlarda çalışmaya dahil edilmiştir. Dahil etme kodlarının tam listesi Ek Tablo S6‘de verilmiştir. Birden fazla İKÜ yatışına sahip hastalar için yalnızca ilk yatış dikkate alınmıştır. İKÜ kalış süresi 24 saatten az olan veya klinik verilerin %50’sinden fazlası eksik olan hastalar çalışmadan çıkarılmıştır. Tahmin edicilerin çoğu, İKÜ’ye yatıştan sonraki ilk 24 saat içinde kaydedilen fizyolojik ve laboratuvar verilerinden elde edilmiştir. Sepsis ve akut böbrek hasarı, tanı kodlarından belirlenmiştir.

Eğitim kohortu 908 hastayı, zamansal test kohortu ise 499 hastayı içermektedir. Hastalar arasında örtüşmeyi önlemek için zamansal test kohortu, eğitim kohortunda temsil edilen hastaları dışlayan resmi CareVue alt kümesi v1.4 ile sınırlanmıştır (). Dış geçerlik kohortu 58 eICU ve 60 yerel hastayı (n=118) birleştirmektedir. Ortak uygunluk, tahmin edici ve sonuç tanımları altında tek bir dış tahmin elde etmek için birleştirme önceden belirlenmiş; ayrı eICU ve yerel sonuçlar keşif taşıabilirliği analizleri olarak rapor edilmiştir. Birincil sonuç, İKÜ’ye yatıştan sonraki 28 gün içindeki ölümdür.

2.2 Veri çıkarma ve ön işleme

Kandidat fizyolojik ve laboratuvar öngörücüleri, ICU’ya yatıştan sonraki ilk 24 saat içinde kaydedilen klinik bilgilerden elde edildi; tekrarlanan vital bulgular ve laboratuvar ölçümleri için ilk mevcut değer kullanıldı. Mekanik ventilasyon, ilk 24 saat içindeki tedaviyi işaret etti. Kandidat değişkenler demografik özellikleri, hastalık şiddat skorlarını, eşlik eden hastalıkları ve akut olayları, vital bulguları, ventilasyonu, hematolojiyi, pıhtılaşmayı, elektrolitleri ve böbrek indislerini kapsadı. %30’dan fazla eksik veri içeren değişkenler çıkarıldı ve 40 kandidat değişken geride kaldı. Modellemeden önce veritabanına özgü değişkenler ve birimler uyumlaştırıldı. Her kohort, zincirleme denklemlerle çoklu eksik veri doldurma (m=5) yöntemiyle, sürekli değişkenler için prediktif ortalam eşleştirme ve 123 rastgele tohumu kullanılarak bağımsız olarak dolduruldu. 28 günlük mortalite sonucu, eksik veri doldurma işleminde kullanılmadı. Hastaları tanımlayan kimlikler, ICU günü, sepsis, akut böbrek hasarı ve diğer tanı veya eşlik eden hastalık değişkenleri yardımcı öngörücü olarak kullanılmadı. Aynı öngörücü-matris ilkeleri kohortlar boyunca uygulandı; INR, PT ve PTT yalnızca trombosit sayısı, hematokrit ve hemoglobin ile karşılıklı olarak birbirini destekleyecek şekilde sınırlandı. Özellik seçimi ve tahmin modelinin uydurulması yalnızca MIMIC-IV içinde gerçekleştirildi. Sepsis ve böbrek hasarı tanı kodlarından belirlendi ve ilk 24 saat içinde mevcut oldukları doğrulanamadı. Öngörücü tanımları Ek Tablo S1 içinde sunulmaktadır.

2.3 Özellik seçimi ve model geliştirme

Öznitelik seçimi, eğitim kohortunda tamamlanan beş MIMIC-IV veri setinin ilkinde (imp1) tek kez gerçekleştirildi. 10 katlı çapraz doğrulama ile LASSO regresyonu, bir standart hata cezasını seçti ve klorür, SOFA skoru, RDW, solunum hızı, sepsis ve akut böbrek hasarını korudu. Bu öznitelik kümesi, sonraki tüm analizler için sabitlendi. Birincil model geliştirmede MIMIC-IV imp1, birincil zamansal testte MIMIC-III CareVue imp1 ve birincil dış doğrulamada external-validation imp1 kullanıldı. Yedi tahmin modeli uyarlandı: regresyon, karar ağacı, rastgele orman, XGBoost, LightGBM, destek vektör makinesi ve ileri beslemeli yapay sinir ağı. Model parametreleri ve bireysel tahmin olasılıkları tamamlanan veri setleri boyunca birleştirilmedi; performans, değerlendirilen her imzalama koşulu için ayrı ayrı hesaplandı. Standartlaştırma, yeniden örnekleme, sınıf ağırlıklandırma, ızgara araması veya hiperparametre ayarlaması yapılmadı. Model uygulama ayrıntıları ve son ayarlar Ek Tablo S12‘de sunuluyor. Yalnızca SOFA’ya ait ve SOFA ile yaş ve cinsiyeti içeren regresyon modelleri klinik kıyaslamalar olarak uyarlandı.

2.4 Model değerlendirme ve yorumlama

Ayrımlılık, ROC eğrileri ve AUC’lerle değerlendirildi. Önceden belirlenen 0.5 olasılık eşiğinde duyarlılık, özgüllük, pozitif ve negatif prediktif değerler, F1 skoru ve dengeli doğrulama hesaplandı. Eşik, doğrulamadan önce sabitlendi. AUC ve sınıflandırma metrikleri, %95 güvenirlik aralıkları ile eşleştirildi. Duyarlılık, özgüllük, PPV ve NPV aralıkları iki taraflı Clopper-Pearson kesin binom yöntemini; F1 skoru aralıkları dönüştürülmüş Clopper-Pearson sınırlarını; AUC ve kalan kesin olmayan aralıklar ise rastgele tohum 123 ile 1.000 hastalığı düzeyinde parametrik olmayan bootstrap örneklemini kullandı. Kalibrasyon, Brier skoru, kalibrasyon grafikleri, kalibrasyon kesimi ve kalibrasyon eğimiyle değerlendirildi. Eşleştirilmiş DeLong testleri, rastgele ormanı önceden belirlenen karşılaştırmalarla karşılaştırdı; karar eğrisi analizi ise rastgele ormanı, hepsini tedavi et ve hiçbirini tedavi et stratejileriyle karşılaştırdı.

Tamamlanan veri setine duyarlılık iki analizle değerlendirildi. İlk olarak, MIMIC-IV imp1’de eğitilen rastgele orman modeli, beş MIMIC-III CareVue veri setinin her birinde değerlendirildi. İkinci olarak, rastgele orman modelleri aynı öngörücüler, ayarlar ve rastgele tohum kullanılarak beş MIMIC-IV veri setinde ayrı ayrı uyarlandı ve MIMIC-III CareVue imp1’de değerlendirildi. AUC her analiz için ayrı ayrı hesaplandı ve AUC farklarının güven aralıkları aynı hastaların eşleştirilmiş bootstrap yeniden örnekleme’siyle hesaplandı. Eksik veri doldurma, özellik seçimi ve model uylandırmasından önce yapıldı ve geçerli doğrulama katmanları içinde tekrarlanmadı. On katmanlı geçerlama yalnızca LASSO cezasını seçmek için kullanıldı. Doğrulama kohortlarından hiçbiri özellik seçimi, parametre ayarlanması veya model uylandırması için kullanılmadı. Tam sonuçlar Ek Tablolar S13 ve S14‘de bildirildi.

Rastgele orman modeli yorumlamak için SHapley Additive exPlanations (SHAP) kullanıldı. SHAP çubuk grafiği, ortalama mutlak SHAP değeri kümesine göre küresel önem sırasını gösterdi ve arı ısırığı grafiği özellik katkılarının yönünü ve büyüklüğünü gösterdi. Bireysel düzeyde hem riski artıran hem de azaltan katkıları göstermek amacıyla tek bir MIMIC-III olusu amaçlı olarak seçildi; bu seçim doğruluk veya model performansına göre yapılmadı. Aynı olus, sınıf bazlı su damlası grafiğinde her iki grafik için de kullanıldı. SHAP değerleri, istatistiksel ilişkiler veya nedensel etkiler değil, model tahminlerine katkılar olarak yorumlandı.

2.5 İstatistiksel analiz

Sürekli değişkenler medyan (çarşak aralıkları) ve kategorik değişkenler n (%) olarak sunulmuştur. Gruplar arası sürekli değişkenler Mann–Whitney U testiyle, kategorik değişkenler ise uygun olduğunda Pearson ki-kare testi veya Fisher’ın kesin testiyle karşılaştırılmıştır. Üç kohort boyunca sürekli değişkenler Kruskal–Wallis testiyle, kategorik değişkenler ise uygun olduğunda Pearson ki-kare testi veya Fisher–Freeman–Halton kesin testiyle karşılaştırılmıştır. Tüm testler iki yönlü olup, P<0.05 istatistiksel olarak anlamlı kabul edilmiştir. Bootstrap analizleri 1.000 yeniden örnekleme ve 123 rastgele tohum kullanmıştır. Analizler R 4.5.1 ve Python 3.10.11 kullanılarak gerçekleştirilmiş; yazılım paketleri ve sürümleri Ek Tablo S12‘de detaylandırılmıştır.

3 Bulgular

3.1 Hasta seçimi ve temel özellikler

Hasta seçim süreci Şekil 1‘de gösterilmektedir. MIMIC-IV taraması sonucunda 1.131 hasta belirlendi; %50’den fazla eksik veriye sahip 13 ve ICU yatış süresi 24 saatten az olan 210 hasta dışlandı ve eğitim kohortu için 908 hasta (803 iyileşen, 105 vefat eden) geride kaldı. Eğitim kohortunun demografik ve klinik temel özellikleri Tablo 1‘de özetlenmektedir. MIMIC-III taraması 591 hastayı ortaya çıkardı; %50’den fazla eksik veriye sahip 2 ve ICU yatış süresi 24 saatten az olan 90 hasta dışlandı ve zamansal test kohortu için 499 hasta (441 iyileşen, 58 vefat eden) geride kaldı. eICU taraması 72 hastayı belirledi; %50’den fazla eksik veriye sahip 1 ve ICU yatış süresi 24 saatten az olan 13 hasta dışlandı ve 58 hasta geride kaldı. Yerel kaynak 66 hastayı içermekteydi; %50’den fazla eksik veriye sahip 6 hasta dışlandı ve 60 hasta geride kaldı. Buna göre dış validasyon kohortu 118 hastadan oluşmakta olup, bunların 103’ü iyileşmiş, 15’i ise 28. gün içinde vefat etmiştir. ICU yatış süresi 24 saatten az olduğu için dışlanan hastalar arasında 28. gün ölümü MIMIC-IV’te %9,52 (20/210), MIMIC-III’te %7,78 (7/90) ve eICU’da %23,08 (3/13) olarak bulunmuştur. Yerel kohortta 24 saatten az ICU yatış süresi nedeniyle hiçbir hasta dışlanmamıştır. Eğitim, zamansal test ve dış validasyon kohortlarının genel özellikleri Ekle Tablo S2‘de sunulmaktadır. Zamansal test kohortu ve dış validasyon kohortu için 28. gün ölüm durumu açısından katmanlandırılmış detaylı temel özellikler sırasıyla Ekle Tablo S3 ve Ekle Tablo S4‘de gösterilmektedir.

Şekil 1

Tablo 1

Değişken Toplam kohort (n=908) Iyileşenler (n=803) Iyileşmeyenler (n=105) P değeri
Demografik özellikler
Yaş (yıl) 69 (61, 79) 69 (60, 78) 71 (65, 79) 0,064
Cinsiyet 0,711
Kadın 417 (45,9) 367 (45,7) 50 (47,6)
Erkek 491 (54,1) 436 (54,3) 55 (52,4)
Şiddet skorları
SOFA skoru 3 (2, 6) 3 (2, 5) 6 (3, 9) <0.001
GCS skoru 15 (14, 15) 15 (14, 15) 15 (13, 15) 0.005
Eşlik eden hastalıklar
Hipertansiyon, n (%) 435 (47.9) 384 (47.8) 51 (48.6) 0.885
Atriyal fibrilasyon, n (%) 275 (30.3) 243 (30.3) 32 (30.5) 0.964
Diyabet mellitus, n (%) 214 (23.6) 182 (22.7) 32 (30.5) 0.076
Septisemi, n (%) 145 (16.0) 103 (12.8) 42 (40.0) <0.001
Karaciğer hastalığı, n (%) 42 (4.6) 34 (4.2) 8 (7.6) 0.135
Akut böbrek hasarı, n (%) 250 (27.5) 194 (24.2) 56 (53.3) <0.001
Serebrovasküler hastalık, n (%) 121 (13.3) 106 (13.2) 15 (14.3) 0.758
Kronik böbrek hastalığı, n (%) 117 (12.9) 100 (12.5) 17 (16.2) 0.282
Kalp yetmezliği, n (%) 194 (21.4) 172 (21.4) 22 (21.0) 0.913
Miyokard infarktüsü, n (%) 26 (2.9) 22 (2.7) 4 (3.8) 0.530
Kronik obstrüktif akciğer hastalığı, n (%) 167 (18.4) 138 (17.2) 29 (27.6) 0.009
Vital bulgular
Kalp hızı (vuruş/dakika) 88 (77, 103) 87 (76, 102) 97 (84, 110) <0.001
Sistolik kan basıncı (mmHg) 120 (103, 136) 120 (104, 136) 120 (102, 138) 0.958
Diastolik kan basıncı (mmHg) 65 (55, 78) 65 (55, 77) 67 (55, 82) 0.322
Ortalama arter basıncı (mmHg) 78 (67, 91) 78 (68, 90) 80 (64, 95) 0.814
Nefes hızı (nefes/dakika) 18 (15, 23) 18 (15, 22) 22 (17, 27) <0.001
SpO2 (%) 98 (95, 100) 98 (96, 100) 97 (94, 99) <0.001
Cisim sıcaklığı (°C) 36.7 (36.4, 37) 36.7 (36.4, 37) 36.6 (36.3, 37) 0.256
İşlem
24 saat içinde mekanik ventilasyon, n (%) 673 (74.1) 590 (73.5) 83 (79.0) 0.220
Laboratuvar değişkenleri
Hematokrit (%) 31.7 (27.2, 35.8) 31.7 (27.2, 35.7) 31.7 (27.3, 37.7) 0.570
Hemoglobin (g/dL) 10.5 (8.9, 11.9) 10.5 (9, 11.8) 10.4 (8.7, 12.3) 0.993
Platelet sayısı (10^9/L) 191 (136, 263) 195 (139, 263) 180 (94, 278) 0.041
RDW (%) 14.9 (13.8, 16.4) 14.8 (13.7, 16.2) 15.8 (14.5, 18.1) <0.001
Kırmızı kan hücre sayısı (10^12/L) 3.5 (3.0, 4.0) 3.5 (3.0, 3.9) 3.4 (3.0, 4.1) 0.687
Beyaz kan hücre sayısı (10^9/L) 10.1 (7, 13.6) 10 (7, 13.4) 10.6 (7.3, 15.4) 0.417
Anion açığı (mmol/L) 14 (11, 16) 14 (11, 16) 15 (12, 18) <0.001
Kalsiyum (mg/dL) 8.3 (7.9, 8.8) 8.4 (7.9, 8.8) 8.1 (7.7, 8.7) 0.021
Klor (mmol/L) 104 (101, 108) 105 (101, 109) 102 (97, 106) <0.001
Glukoz (mg/dL) 124 (105, 155) 124 (105, 154) 132 (105, 171) 0.349
Potasyum (mmol/L) 4.1 (3.8, 4.5) 4.1 (3.8, 4.5) 4.2 (3.8, 4.7) 0.179
Sodyum (mmol/L) 138 (136, 141) 138 (136, 141) 137 (134, 140) <0.001
INR 1.2 (1.1, 1.4) 1.2 (1.1, 1.4) 1.3 (1.1, 1.5) 0.028
PT (s) 13.6 (12.2, 15.8) 13.5 (12.1, 15.7) 14.3 (12.5, 17) 0.033
PTT (s) 30.7 (27, 36.2) 30.5 (27, 36) 31.9 (27.1, 37.2) 0.403
Kreatinin (mg/dL) 0.9 (0.7, 1.3) 0.9 (0.7, 1.2) 1.0 (0.7, 1.8) 0.032
Kan üre azotu (mg/dL) 19 (13, 27) 18 (13, 26) 26 (18, 40) <0.001

Eğitim kohortundaki hastaların temel özellikleri.

Sürekli değişkenler medyanlar (çeyrekler arası açıklıklar) olarak, kategorik değişkenler ise n (%) olarak sunulmuştur. P değerleri hayatta kalanlar ve hayatta kalamayanlar arasındaki karşılaştırmalara aittir.

3.2 LASSO regresyon tabanlı özellik seçimi

LASSO regresyonu, beş tamamlanan MIMIC-IV veri setinin ilkinde (imp1) yürütüldü ve 40 başlangıç aday değişkeninden en bilgi verici öngörücüler seçildi. Şekil 2A‘de görüldüğü gibi, ceza parametresi 10 katlı çapraz doğrulama kullanılarak belirlendi. En düşük çapraz doğrulama hatası LogLambda_min = -5.099’a karşılık gelirken, daha tasarruflu bir hata-one-standard-error kriteri LogLambda_1se = -3.238’e, yani lambda.1se = 0.0392’ye karşılık geldi. Hata-one-standard-error lambda değeri, özellik seçimi ve model geliştirmesi için son ceza parametresi olarak kullanıldı.

Şekil 2

Şekil 2B‘de görüldüğü gibi, lambda arttıkça daha az bilgi verici değişkenlerin katsayıları kademeli olarak sıfıra yaklaştı, daha güçlü öngörücü katkısı olan değişkenler ise sıfırdan farklı katsayıları korudu. Bu sürece dayanarak altı anahtar öngörücü seçildi ve makine öğrenmesi modellerine dahil edildi.

3.3 Model performans karşılaştırması

, öngörücü performansı 95% güven aralıklarıyla özetlemektedir. Zaman içi test kohortunda rastgele orman en yüksek gözlemlenen AUC’ye, 0.868 (95% GA, 0.815-0.917) ulaştı; onu LightGBM (0.821), ANN (0.791), XGBoost (0.782) ve lojistik regresyon (0.782) izledi. Sabit eşik değeri 0.5’te rastgele ormanın duyarlılığı 0.362 (95% GA, 0.240-0.499), duyarlılığı 0.995 (95% GA, 0.984-0.999) ve pozitif öngörücü değer 0.913 (95% GA, 0.720-0.989) olarak bulundu.

Tablo 2

Kohort Model AUC (95% GA) Duarlılık (95% GA) Duyarlılık (95% GA) Pozitif öngörücü değer (95% GA) Negatif öngörücü değer (95% GA) F1 skoru (95% GA) Dengeli doğruluk (95% GA) Brier skoru (95% GA)
Zaman içi test kohortu
N=499; olay=58
LR 0.782 (0.722–0.841) 0.103 (0.039–0.212) 0.991 (0.977–0.998) 0.600 (0.262–0.878) 0.894 (0.863–0.920) 0.176 (0.070–0.332) 0.547 (0.513–0.590) 0.089 (0.070–0.110)
DT 0.676 (0.610–0.746) 0.431 (0.302–0.568) 0.921 (0.891–0.944) 0.417 (0.291–0.551) 0.925 (0.896–0.948) 0.424 (0.308–0.541) 0.676 (0.610–0.746) 0.136 (0.104–0.166)
RF 0.868 (0.815–0.917) 0.362 (0.240–0.499) 0.995 (0.984–0.999) 0.913 (0.720–0.989) 0.922 (0.894–0.945) 0.519 (0.376–0.652) 0.679 (0.621–0.739) 0.068 (0.051–0.084)
XGBoost 0.782 (0.703–0.855) 0.431 (0.302–0.568) 0.977 (0.959–0.989) 0.714 (0.537–0.854) 0.929 (0.902–0.951) 0.538 (0.405–0.661) 0.704 (0.636–0.769) 0.077 (0.056–0.099)
LGBM 0.821 (0.757–0.886) 0.448 (0.317–0.585) 0.977 (0.959–0.989) 0.722 (0.548–0.858) 0.931 (0.904–0.952) 0.553 (0.422–0.674) 0.713 (0.647–0.782) 0.070 (0.052–0.091)
SVM 0.607 (0.517–0.700) 0.017 (0.000–0.092) 1.000 (0.992–1.000) 1.000 (0.025–1.000) 0.886 (0.854–0.912) 0.034 (0.001–0.169) 0.509 (0.500–0.527) 0.099 (0.077–0.121)
ANN 0.791 (0.733–0.848) 0.086 (0.029–0.190) 0.995 (0.984–0.999) 0.714 (0.290–0.963) 0.892 (0.861–0.918) 0.154 (0.054–0.311) 0.541 (0.508–0.581) 0.090 (0.070–0.112)
Dış validasyon kohortu
N=118; olay=15
LR 0.761 (0.619–0.888) 0.200 (0.043–0.481) 0.932 (0.865–0.972) 0.300 (0.067–0.652) 0.889 (0.814–0.941) 0.240 (0.056–0.518) 0.566 (0.471–0.678) 0.109 (0.074–0.147)
DT 0.731 (0.601–0.851) 0.667 (0.384–0.882) 0.796 (0.705–0.869) 0.323 (0.167–0.514) 0.943 (0.871–0.981) 0.435 (0.249–0.622) 0.731 (0.601–0.851) 0.220 (0.144–0.297)
RF 0.785 (0.650–0.909) 0.200 (0.043–0.481) 0.961 (0.904–0.989) 0.429 (0.099–0.816) 0.892 (0.819–0.943) 0.273 (0.065–0.567) 0.581 (0.482–0.695) 0.101 (0.073–0.134)
XGBoost 0.802 (0.683–0.907) 0.333 (0.118–0.616) 0.913 (0.841–0.959) 0.357 (0.128–0.649) 0.904 (0.830–0.953) 0.345 (0.133–0.593) 0.623 (0.507–0.754) 0.112 (0.070–0.158)
LGBM 0.829 (0.725–0.925) 0.333 (0.118–0.616) 0.913 (0.841–0.959) 0.357 (0.128–0.649) 0.904 (0.830–0.953) 0.345 (0.133–0.593) 0.623 (0.504–0.759) 0.104 (0.064–0.146)
SVM 0.744 (0.575–0.888) 0.000 (0.000–0.218) 0.990 (0.947–1.000) 0.000 (0.000–0.975) 0.872 (0.797–0.926) 0.000 (0.000–0.341) 0.495 (0.485–0.500) 0.104 (0.067–0.149)
ANN 0.762 (0.619–0.887) 0.200 (0.043–0.481) 0.942 (0.878–0.978) 0.333 (0.075–0.701) 0.890 (0.816–0.942) 0.250 (0.059–0.533) 0.571 (0.476–0.682) 0.105 (0.070–0.143)

Makine öğrenmesi modellerinin 28 günlük mortaliteyi tahmin etmedeki prediktif performans.

AUC, eğri altındaki alan; CI, güven aralığı; LR, lojistik regresyon; DT, karar ağacı; RF, rastgele orman; XGBoost, aşırı gradan güçlendirme; LGBM, hafif gradan güçlendirme makinesi; SVM, destek vektör makinesi; ANN, yapay sinir ağı. AUC güven aralıkları, 1.000 hastaya düzeyinde parametrik olmayan bootstrap örnekleme ile elde edilmiştir (rastgele tohum 123). Hassasiyet, özgüllük, PPV ve NPV, iki yönlü Clopper-Pearson kesin binom 95% güven aralıkları ile bildirilmiştir. F1: dönüştürülmüş Clopper-Pearson 95% güven aralığı. Diğer performans aralıkları, 1.000 hastaya düzeyinde parametrik olmayan bootstrap örnekleme ile elde edilmiştir (rastgele tohum 123). Sınıflandırma metrikleri, validasyondan önce sabitlenen 0,5 ön tanımlı eşiğini kullanmıştır. Zamansal test kohortu MIMIC-III’ti; dış validasyon kohortu eICU ile yerel kohortu birleştirmiştir.

Zamansal test kohortundaki eşleştirilmiş DeLong karşılaştırmaları, rastgele orman AUC’sinin yalnızca SOFA’dan 0,179 (95% CI, 0,107-0,250; P<0,001), SOFA ile yaş ve cinsiyet birlikte 0,174 (95% CI, 0,102-0,247; P<0,001), altı değişkenli lojistik regresyondan 0,086 (95% CI, 0,033-0,139; P = 0,001) ve ANN’den 0,077 (95% CI, 0,028-0,126; P = 0,002) daha yüksek olduğunu göstermiştir. Bu karşılaştırmalar, zamansal test kohortunda artan ayırt ediciliği desteklemektedir.

Dış validasyon kohortunda AUC’ler lojistik regresyon için 0,761 (95% CI, 0,619-0,888), rastgele orman için 0,785 (95% CI, 0,650-0,909) ve ANN için 0,762 (95% CI, 0,619-0,887) olarak bulunmuştur. Eşleştirilmiş DeLong karşılaştırmaları, rastgele orman ile lojistik regresyon arasında (fark, 0,025; 95% CI, -0,056 ile 0,105; P = 0,550) veya ANN arasında (fark, 0,023; 95% CI, -0,054 ile 0,100; P = 0,553) bir fark kanıtı olmadığını göstermiştir. 0,5’te rastgele orman hassasiyeti 0,200 (95% CI, 0,043-0,481) iken, özgüllük 0,961 (95% CI, 0,904-0,989) olarak hesaplanmıştır. Keşif amaçlı rastgele orman AUC’leri eICU’da 0,641 (95% CI, 0,342-0,895) ve yerel olarak 0,887 (95% CI, 0,773-0,976) bulunmuştur; bu alt grup tahminleri sırasıyla 6 ve 9 ölüm üzerine kurulduğu için belirsizdir.

Şekil 3, zamansal test ve dış validasyon kohortlarında ROC, karar eğrisi ve kalibrasyon sonuçlarını sunmaktadır. Orman, MIMIC-III zamansal test kohortunda yedi aday model arasında gözlemlenen en yüksek AUC’ye sahipti ve ana model olarak seçildi. Bu nedenle zamansal test kohortu hem model karşılaştırması hem de zamansal performans değerlendirmesi için kullanıldı. 118 hastalıktan oluşan dış kohort ayrı bir değerlendirme sağladı ve özellik seçimi, model uydurma veya eşik belirlemede kullanılmadı. Bu kohortta LightGBM en yüksek gözlemlenen AUC’ye (0,829) ulaştı; onu XGBoost (0,802) ve orman (0,785) izledi. Bu tahminler, kohortta yalnızca 15 ölüm bulunması nedeniyle kesin değildi.

Şekil 3

Karar eğrisi analizinde, orman, zamansal test kohortunda 0,02-0,81 eşik olasılıkları arasında hem tümünü tedavi et hem de hiçbirini tedavi et yaklaşımlarından daha yüksek net fayda sağladı. Dış validasyon kohortunda karşılık gelen aralıklar 0,01-0,04, 0,07-0,34, 0,36-0,37, 0,39-0,42, 0,44, 0,52-0,56 ve 0,60-0,61 olarak bulundu. Keşif amaçlı eICU ve yerel tahminler dahil sayısal aralıklar Ekleme Tablo S11‘de verilmiştir.

Orman Brier puanları, zamansal test kohortunda 0,068 (95% IG, 0,051-0,084) ve dış validasyon kohortunda 0,101 (95% IG, 0,073-0,134) olarak hesaplandı. Kalibrasyon kesim noktası ve eğim tahminleri Ekleme Tablo S8‘de verilmiştir; dış güven aralıkları genişti.

Zamanlı test kohortunda, sepsis ve akut böbrek hasarını dahil etmeyen dört değişkenli rastgele orman modelinin AUC değeri 0.843 (95% IG, 0.786-0.894) iken, altı değişkenli modelde bu değer 0.868 olarak bulundu; eşleştirilmiş fark 0.025 (95% IG, -0.018 ile 0.069; P = 0.255) olarak hesaplandı. Dış geçerlilik kohortunda karşılık gelen AUC değerleri 0.713 (95% IG, 0.544-0.871) ve 0.785 olurken, fark 0.072 (95% IG, -0.049 ile 0.194; P = 0.244) bulundu. İmputasyon duyarlılık analizleri boyunca, zamanlı test AUC değerleri geçerlilik veri seti değiştiğinde 0.860 ile 0.879 arasında, eğitim veri seti değiştiğinde ise 0.864 ile 0.870 arasında değişti. Gözlemlenen maksimum farklar sırasıyla 0.019 ve 0.006 olup, imp1’e göre AUC farkları için tüm eşleştirilmiş bootstrap güven aralıkları sıfırı içeriyor (Ek Tablolar S13, S14).

3.4 SHAP analizi ile model yorumlanması

SHAP analizi, rastgele orman modelini yorumlamak ve her bir öngörücünün model çıktısına katkısını değerlendirmek için kullanıldı. Şekil 4A‘da görüldüğü gibi, klor ve SOFA en büyük mutlak ortalamalı SHAP değerlerine sahipti; bunu RDW, solunum hızı, sepsis ve böbrek hasarı izledi. Bu sıralamalar, uyarlanan modeldeki altı değişkenin göreli önemini yansıtıyor.

Şekil 4

SHAP arı ısırığı grafiği, her bir öngörücünün model çıktısına katkısının yönünü ve dağılımını daha ayrıntılı biçimde gösterdi (Şekil 4B). Yüksek SOFA skoru, yüksek RDW, yüksek solunum hızı ve sepsis veya böbrek hasarının varlığı, model çıktısını genellikle daha yüksek tahmini ölüm riski yönünde etkilerken, klor farklı bir dağılım gösterdi. Bu SHAP örüntüleri model davranışını tanımlar ve nedensel etkiler olarak yorumlanmamalıdır.

Bireysel düzeyde model yorumlaması Şekiller 4C, D içinde gösterilmektedir. Hem risk artırıcı hem de risk azaltıcı özellik katkıları aynı anda gösterilmek üzere aynı MIMIC-III vakası seçilmiştir. Bu vakada, hayatta kalma sınıfı için tahmini olasılık model temel değerinin 0,883’ten 0,600’e düşerken, ölüm sınıfı için tahmini olasılık 0,117’den 0,400’e yükselmiştir. Ölüm sınıfı çıktısı için RDW, solunum hızı, sepsis ve akut böbrek yetmezliği tahmini riskı artırırken, gözlemlenen SOFA skoru ve klorür tahmini daha düşük ölüm riskine doğru yönlendirmiştir. Bu su terazisi grafikleri, birden fazla klinik özelliğin bireysel tahmine nasıl katkı sağladığını göstermektedir.

4 Tartışma

Bu çalışma, MIMIC-IV, MIMIC-III CareVue, eICU veri tabanı ve Guangxi Zhuang Özerk Bölgesi İnsan Hastanesi’nden alınan yerel kohort kullanılarak radyoterapiyle ilişkili kayıtları bulunan Yoğun Bakım Hastaları için 28 günlük ölüm tahmini modeli geliştirmiş ve geçerliliğini değerlendirmiştir. Eğitim, zamansal test ve dışsal validasyon kohortlarındaki 28 günlük ölüm oranları sırasıyla %11,56 (105/908), %11,62 (58/499) ve %12,71 (15/118) olmuştur. Değişken gereksizliğini azaltmak ve aşırı uyumlandırmayı sınırlamak için LASSO regresyonu, 40 aday değişkenden klorür, SOFA skoru, RDW, solunum hızı, sepsis ve akut böbrek yetmezliğini seçmiştir. Random forest, zamansal test kohortunda gözlemlenen en yüksek AUC’ye (0,868) sahip olmuş ve dışsal validasyon kohortunda orta düzeyde ayırt ediciliği korumuştur (0,785). Karar eğrisi analizi, seçili eşik aralıklarında potansiyel net fayda önermektedir; ancak olay sayısının sınırlı olması nedeniyle dışsal tahminler dikkatli yorumlanmalıdır. Genel olarak bu çalışma, bu popülasyonda prognostik risk değerlendirmesi için makine öğrenimi yaklaşımlarının daha ileri düzeyde değerlendirilmesini desteklemektedir. Önemlisi, radyoterapiyle ilişkili kayıtlar yalnızca çalışma popülasyonunu belirlemek için kullanılmış; model öngörücüleri genel ICU klinik değişkenlerinden oluşmuştur ve bu çalışma radyoterapi maruziyetini veya radyoterapiye özgü biyolojik mekanizmaları değerlendirmemiştir.

Bu çalışmada karşılaştırılan denetimli makine öğrenmesi modelleri arasında farklı algoritmalar belirgin özellikler sergilemiştir. Lojistik regresyon, yorumlanabilir bir regresyon tabanlı temel model olarak dahil edilmiştir. Önceki çalışmalar, lojistik regresyonun travma geçiren ICU hastalarında erken AKI tahmini için kullanışlı bir performans sağlayabileceğini göstermiştir (). Ancak lojistik regresyon, değişkenler arasındaki karmaşık doğrusal olmayan ilişkileri ve etkileşimleri yakalamada sınırlı bir yeteneğe sahip olabilir. Son çalışmalar, aynı yatış için yapılan modellerde tanı kodlarının kullanılması durumunda etiket sızıntısı riskini de ortaya koymuştur (). Rastgele orman, XGBoost, LightGBM ve yapay sinir ağları dahil makine öğrenmesi modelleri çok boyutlu klinik bilgiyi bütünleştirebilir ve doğrusal olmayan örüntüleri modelleyebilir; ancak model karmaşıklığı nedeniyle klinik yorumlanabilirlik zor olmaya devam etmektedir (–). Bu nedenle bu çalışmada SHAP analizi uygulanarak bireysel değişkenlerin rastgele orman tahminlerine nasıl katkı sağladığı gösterilmiş ve model yorumlanabilirliği artırılmıştır.

SHAP analizi, rastgele orman modelinde klor ve SOFA skorunun en etkili iki öngörücü olduğunu gösterdi. SOFA skoru solunum, kardiyovasküler, hepatik, koagülasyon, renal ve nörolojik fonksiyonları yansıtır ve ICU’daki organ disfonksiyonunun değerlendirilmesinde önemli bir araçtır. Son çalışmalar, SOFA skorunun ICU hastalarında mortalite riskiyle yakından ilişkili olduğunu ve kritik hastalarda mortalite riski değerlendirmesi için önemli bir gösterge olabileceğini ortaya koymuştur. Radyoterapiyle ilişkili kayıtları olan hastalarda enfeksiyon, hipoksemi, şok veya renal yaralanma gibi akut hasarlar, çoklu organ disfonksiyonu ve kısa süreli mortalite riskine katkıda bulunabilir. Bu nedenle modelde SOFA skorunun yüksek önemi klinik olarak makuldür ve çoklu organ disfonksiyonunun bu popülasyonda kısa süreli mortalite riskinin merkezinde olmaya devam ettiğini göstermektedir. SOFA skoru ICU hastalarında akut organ disfonksiyonunu yansıtsa da, kısa süreli mortalite riski diğer rutin olarak ulaşılabilir klinik faktörlerle de etkilenmiş olabilir. Bu çalışmada, yalnızca SOFA ve SOFA’ya yaş ve cinsiyet eklenen modeller, zamansal test kohortunda altı değişkenli rastgele ormana göre daha düşük AUC göstermiştir. Bu bulgular, SOFA’nın ek klinik değişkenlerle birleştirilmesinden kaynaklanan ayırt ediciliğin arttığını ve bu popülasyonda mortalite riskinin yalnızca akut hastalık şiddetiyle belirlenmediğini göstermektedir.

Klorür, modelde ilk sırayı alarak elektrolit ve asit-baz durumunun, radyoterapi ile ilişkili kayıtları bulunan hastalarda YoBak prognozunda önemli olabileceğini göstermektedir. MIMIC-IV eğitim kohortunda klorür seviyeleri hayatta kalanlara göre hayatta kalmayanlarda daha düşüktü [102 (97, 106) vs. 105 (101, 109) mmol/L]. Benzer bir eğilim, klorür seviyeleri hayatta kalmayanlarda hayatta kalanlara göre yine daha düşük olan MIMIC-III test kohortunda da gözlemlendi [102 (98, 105) vs. 104 (101, 108) mmol/L] ve bu fark istatistiksel olarak anlamlıydı (P<0.001). Bu bulgular, düşük klorür seviyelerinin yalnızca eğitim kohortunda değil, aynı zamanda zamansal test kohortunda da artmış 28 günlük ölüm riski ile ilişkili olarak gözlemlendiğini göstermektedir. Son kanıtlar, kritik hastalıklı hastalarda kabul klorür seviyeleri ile ölüm riski arasında doğrusal olmayan bir ilişki olduğunu, 103–115 mmol/L’nin nispeten düşük riskli bir aralığı temsil ettiğini; ≤103 mmol/L ve >115 mmol/L’nin ise her ikisinin de artmış ölüm riski ile ilişkili olduğunu öne sürmektedir. Bu nedenle, modelimizdeki klorürün görünür koruyucu katkısı, hayatta kalanların klorür seviyelerinin nispeten normal veya düşük riskli bir aralıkta olma olasılığının daha yüksek olması, hayatta kalmayanların median klorür seviyesinin ise bu aralığın alt sınırının altında olmasıyla açıklanabilir. Hipokloremi, sıvı kaybı, asit-baz bozuklukları, bozulmuş böbrek fonksiyonu veya daha geniş iç ortam istikrarsızlığı gibi artmış ölüm riski ile ilişkili olabilecek durumları işaret edebilir. Bu bulgu, klorürün evrensel olarak faydalı olduğu şeklinde yorumlanmamalıdır. Aksine, nispeten normal bir aralıktaki klorür seviyeleri, daha stabil iç homeostaz ve organ düzenleyici kapasiteyi yansıtıyor olabilir.

RDW, bu çalışmada seçilen başka bir önemli öngörücüydü. RDW, kırmızı kan hücreleri hacmindeki heterojenliği yansıtır ve giderek daha fazla iltihaplanma, oksidatif stres, yetersiz beslenme, anormal kemik iliği hematopoezi ve kronik hastalık yükü ile ilişkili bir belirteç olarak kabul görmektedir. Kritik bakım hastalarında sepsisli hastalarda yapılan güncel bir çalışma, yükselmiş RDW’nin 30 günlük mortalite ile artmış riskle ilişkili olduğunu göstererek prognostik değerini kritik bakım risk stratifikasyonunda desteklemektedir (). Kritik hastalıklı hastalarda bu altta yatan durumlar RDW’deki artışa katkıda bulunabilir ve aynı zamanda daha fazla fizyolojik stres ile kronik hastalık yükünü de yansıtabilir. Bu nedenle, söz konusu modelde RDW, yalnızca hematolojik anormallikleri değil, aynı zamanda daha geniş bir fizyolojik bozukluğu ve kronik hastalık yükünü de yansıtabilir.

Nefes alma sıklığı, modelde ayrıca anahtar bir değişkendi. Yükselmiş nefes alma sıklığı genellikle hipoksemiyi, metabolik asidozu, kötüleşen enfeksiyonu veya artmış solunum kas yükünü işaret eder. Yoğun bakımda kolayca erişilebilir ve klinik açıdan anlamlı bir hayati bulgudur. MIMIC-IV tabanlı güncel bir çalışma, konjestif kalp yetmezliği ile komplike akut miyokard infarktüsü olan yoğun bakımdaki hastalarda nefes alma sıklığı ile hastanede mortalite arasında J-şekilli bir ilişki bulmuş, daha yüksek nefes alma sıklığının artmış mortalite riski ile ilişkili olduğunu göstermiştir (). Ayrıca, akut solunum yetmezliği nedeniyle hastaneye yatırılan kanser hastalarının, kanseri olmayanlara göre daha yüksek hastanede mortalite oranına sahip oldukları bildirilmektedir ( 27 ). Bu bulgular, nefes alma sıklığının kritik hastalıklı hastalarda akut fizyolojik stresin bir göstergesi olarak klinik önemini desteklemektedir. Bu çalışmadaki SHAP özet grafiği ayrıca, daha yüksek nefes alma sıklığının genellikle model tarafından tahmin edilen daha yüksek mortalite riski ile ilişkili olduğunu göstermektedir.

Sepsis de modelde önemli bir öngörü değeri taşıyordu. Kanseri hastalar ve daha önce kanser tedavisi görmüş hastalar, bozulmuş bağışıklık işlevi, mukozal bariyer hasarı, yetersiz beslenme ve invaziv girişimlere artmış maruz kalma nedeniyle enfeksiyon gelişmesi ve sepsise ilerlemesi açısından daha yatkındır. Son çalışmalar, hematolojik malignitesi olan hastalarda sepsis gelişse de ölüm oranlarının yüksek kaldığını ve sepsik şok geçen kanseri hastalarda yoğun bakıma yatma ve genel ölüm oranlarının yüksek olduğunu göstermektedir ( 28 , 29 ). Bu nedenle sepsis, kritik hastalarda sistemik inflamasyon, dolaşım istabiliği ve çoklu organ disfonksiyonunun birleşik etkilerini yansıtıyor olabilir.

Kesik böbrek hasarı, modeldeki başka bir önemli değişkendi. AKI, yoğun bakıma yatan hastalarda sık görülür ve hipoperfüzyon, sepsis, nefrotoksik ilaçlar, kontrast maddeler, kanserle ilişkili faktörler ve çoklu organ disfonksiyonundan kaynaklanabilir. Son bir Lancet derlemesi, AKI’nın artmış ölüm oranları, daha fazla komplikasyon, daha uzun hastanede kalma süresi ve daha büyük sağlık yükü ile yakın ilişki içinde olduğunu vurgulamıştır ( 30 ). Buna ek olarak, kanser tedavisinden sonra gelişen AKI’ya ilişkin bir kohort çalışması, AKI’nın çeşitli kanser tedavi türlerinden sonra ortaya thểbileceğini ve çoğu tedavi bağlamında artmış ölüm oranlarıyla ilişkili olduğunu göstermektedir ( 31 ). AKI’ın oluşumu, sıklıkla homeostatik düzenlemenin bozulduğunu yansır ve asit-baz dengesizliği, elektrolit bozuklukları ve sıvı yönetimi zorluklarını daha da kötüleştirebilir. Bu nedenle bir öngörüenci olarak tanımı klinik olarak makuldür. Ancak, sepsis ve kesik böbrek hasarı tanı kodlarının ICU’ya yatmadan sonraki ilk 24 saat içinde mevcut olup olmadığı doğrulanamamış; bu durum altı değişkenli modelin kesin bir 24 saatlik model olarak yorumlanmasını sınırlamaktadır. Bu iki değişkenin çıkarılması, gözlemlenen AUC değerlerinde mütevazı azalmalara yol açmıştır. Eşleştirilmiş güven aralıkları sıfırı içermiş ve özellikle dış validasyonda geniş olmuştur; bu da dört değişkenli ve altı değişkenli modeller arasındaki farklar konusunda kesin sonuçları olanaksız kılmaktadır.

Bu çalışma birkaç gücü içermektedir. İlk olarak, predikasyon modellerinin hâlâ sınırlı olduğu, radyoterapiyle ilişkili kayıtları bulunan klinik açıdan spesifik bir popülasyon olan ICU hastalarına odaklanmıştır. İkinci olarak, nihai model yalnızca altı rutin olarak erişilebilir klinik değişkeni içermekte; bunların çoğu ICU’da veya standart bakım sırasında erken aşamada elde edilebilmekte ve erken prognoz risk değerlendirmesini kolaylaştırmaktadır. Üçüncü olarak, çoklu kohort kullanımı model performansının farklı veri kaynakları üzerinden değerlendirilmesine olanak tanımıştır. Son olarak, bu çalışma çoklu makine öğrenmesi algoritmalarını karşılaştırmış ve model performansını ayırım, kalibrasyon, klinik net fayda ve SHAP tabanlı yorumlanabilirlik kullanarak değerlendirmiş; böylece model şeffaflığını ve klinik anlaşılırlığını artırmıştır.

Bu çalışma birkaç sınırlama içermektedir. İlk olarak, retrospektif tasarımı seçim ve bilgi yanlılığına açıkktır. İkinci olarak, radyoterapi bölgesi, dozu, fraksiyonlanması, toksisite derecesi, tümör evresi ve tedavi tarihi hakkında ayrıntılı bilgiler mevcut değildi; bu da radyoterapi maruziyet karakteristiklerinin ve radyoterapi ile ICU yatışı arasındaki sürenin değerlendirilmesini engellemektedir. Üçüncü olarak, sepsis ve akut böbrek hasarı büyük ölçüde tanı kodlarından belirlenmiş ve bunların 24. saatin landmark noktasına kadar erişilebilirliği doğrulanamamıştır. Dördüncü olarak, zamansal-test performansı, ana model olarak rastgele ormanın seçimini yönlendirmiştir; bu nedenle MIMIC-III CareVue alt kümesinden elde edilen sonuçlar tam bağımsız bir doğrulama değerlendirmesi oluşturmamaktadır. Beşinci olarak, 24 saatten kısa süren ICU kalışları olan hastaların çıkarılması, erken ölen veya ICU’dan ayrılan hastalar arasında seçim veya hayatta kalma yanlılığı giriş yapmış olabilir. Altıncı olarak, 0.5 sabit eşiğinde duyarlılık nispeten düşüktü, özellikle dışsal doğrulamada ve dışsal ölüm sayısının az olması performans tahminlerinin kesinliğini sınırlamıştır. Son olarak, tüm predikörlerin amaçlanan predikasyon zamanında kaydedildiği durumda modelin klinik yararlılığını değerlendirmek için prospektif doğrulamaya ihtiyaç vardır.

5 Sonuç

Six değişkenli rastgele orman modeli, zamansal test kohortunda 28 günlük mortalite için faydalı ayırt edicilik, dış doğrulamada ise orta düzeyde ayırt edicilik gösterdi. Model, girişten sonraki 24 saat boyunca gözlemlenebilirliğini koruyan ve radyoterapiyle ilgili kayıtları bulunan YoBak hastalarına uygulanabilir. SHAP analizi, genel YoBak prognoz değişkenlerinin model tahminlerindeki katkılarını açıkladı. Bu bulgular, modelin daha büyük ön izlemeli kohortlarda prognoz risk katmanlandırması için değerlendirilmesini desteklemektedir.

Açıklamalar

Veri erişilebilirliği açıklaması

Çalışmada sunulan özgün katkılar, makalenin Ek Materyalbölümünde yer almaktadır. İlgili tüm başvurular ilgili yazar yönünde yapılabilir.

Etik açıklaması

İnsanların dahil edildiği çalışmalar, Guangxi Zhuang Özerk Bölgesi Halk Hastanesi Etik Komitesi tarafından onaylanmıştır. Çalışmalar, yerel mevzuat ve kurumsal gerekliliklere uygun olarak yürütülmüştür. Ulusal mevzuat ve kurumsal gerekliliklere uygun olarak katılımcılardan veya katılımcıların yasal veli/akrabalarından katılım için yazılı bilinçli onay alınması gerekli görülmemiştir.

Yazar katkıları

JC: Metin – özgün taslak, Metin – inceleme & düzenleme. XX: Metin – özgün taslak, Metin – inceleme & düzenleme. MZ: Metin – inceleme & düzenleme. ZL: Metin – özgün taslak. RM: Metin – inceleme & düzenleme. NX: Metin – inceleme & düzenleme. WZ: Metin – inceleme & düzenleme.

Finansman

Yazar(lar), bu çalışma ve/veya yayımı için finansal destek alındığını beyan etmiştir. Bu çalışma, Guangxi Tıp ve Sağlık Uygun Teknoloji Geliştirme ve Yaygınlaştırma Projesi (S2018008), Nanning Wuming İlçesi Ana Araştırma ve Geliştirme Programı (20200213 ve 20220117), Guangxi Geleneksel Çin Tıp Uygun Teknoloji Geliştirme ve Yaygınlaştırma Projesi (GZSY22-70) ve Guangxi Araştırma ve Geliştirme Ana Programı (RZ2400001773) tarafından desteklenmiştir.

Tesekkürler

Makale yazarları, yüksek kaliteli kimliği gizlenmiş klinik verilerin sağlanmasından dolayı MIMIC-IV, MIMIC-III ve eICU İşbirlik Araştırma Veri Tabanının geliştiricileri, sürdürücileri ve veri yönetim ekiplerine teşekkür eder. Yazarlar, bu çalışmaya katkıda bulunan araştırma ekibinin tüm üyelerine de teşekkür eder.

Çıkar çatışması

Yazar(lar), bu çalışmanın ticari veya finansal herhangi bir ilişki olmadan, potansiyel bir çıkar çatışması olarak değerlendirilebilecek herhangi bir ticari veya finansal ilişkinin bulunmadığı şekilde yürütüldüğünü beyan eder.

Üretken yapay zeka beyanı

Yazar(lar), bu makalenin oluşturulmasında üretken yapay zekanın kullanılmadığını beyan eder.

Bu makaledeki figürlerle birlikte sağlanan herhangi bir alternatif metin (alt text), yapay zekanın desteğiyle Frontiers tarafından oluşturulmuş olup, mümkün olduğunca yazarlar tarafından gözden geçirilmesi dahil olmak üzere doğruluğun sağlanması için makul çabalar gösterilmiştir. Herhangi bir sorunu tespit ederseniz, lütfen bizimle iletişime geçin.

Yayıncının notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini zorunlu olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

Ekle malzeme

Bu makalenin Ekle Malzemesi çevrimiçi olarak şu adreste bulunabilir: https://www.frontiersin.org/articles/10.3389/fonc.2026.1935075/full#supplementary-material

  • VerginadisIICitrinDEKyBFeigenbergSJGeorgakilasAGHill-KayserCEet al.
    Işın tedavisi toksisiteleri: mekanizmalar, yönetim ve geleceğe yönelik yönler. Lancet. (2025) 405:338–52. doi: 10.1016/S0140-6736(24)02319-5

    • Pubmed Özeti
    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • MajeedHGuptaV.
    Işın tedavisinin yan etkileri. In: Statpearls.
    StatPearls Publishing, Treasure Island (FL) (2025).

    • Google Scholar
    • Makalede referansı görüntüle
  • Wang S, Xu D, Xiao L, Liu B, Yuan X.
    Radyasyon kaynaklı akci yaralanması: mekanizmadan prognoza ve ilaç tedavisine. Radiat Oncol. (2025) 20:39. doi: 10.1186/s13014-025-02617-8

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • De Ruysscher D, Wauters E, Jendrossek V, Filippi A, Revel M, Faivre-Finn C ve ark.
    Akci kanseri hastalarında radyasyon kaynaklı pnömonitin tanısı ve tedavisi: Bir ESTRO klinik uygulama kılavuzu. Radiother Oncol. (2025) 207:110837. doi: 10.1016/j.radonc.2025.110837

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Walls GM, Bergom C, Mitchell JD, Rentschler S, Hugo GD, Samson P ve ark.
    Akci kanseri için torasik radyasyon tedavisini takiben kardiyotoksite. Br J Cancer. (2025) 132:311–25. doi: 10.1038/s41416-024-02888-0

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Yang Q, Qin B, Hou W, Qin H, Yin F.
    Bağırsak mikrobiyotasıyla radyasyon kaynaklı enteritin patogenezi ve tedavisi. Front Pharmacol. (2023) 14:1116558. doi: 10.3389/fphar.2023.1116558

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Yeung A, Deshmukh S, Klopp A, Gil KM, Wenzel L, Westin S ve ark.
    İntansite modüle edilmiş radyasyon tedavisi, konvansiyonel pelvik radyasyon tedavisine göre hastanın bildirdiği kronik toksisiteyi azaltır: Faz III denemenin güncellenmiş sonuçları. J Clin Oncol. (2022) 40:3115–9. doi: 10.1200/JCO.21.02831

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Ko R, Cho J, Shin M, Oh S, Seong Y, Jeon J ve ark.
    Yoğun bakıma yatırılan kritik hastalıklı kanser hastaları için makine öğrenmesine dayalı ölüm modeli (CanICU). Cancers (Basel). (2023) 15:569. doi: 10.3390/cancers15030569

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • GuKLuS.
    Hastanede yatan ölümlülüğü öngören makine öğrenmesine dayalı prediktif araçlar ve nomogram: Kritik durumda kanser hastalarında geriye dönük kohortlar kullanılarak geliştirme ve dış validasyon. BMC Med Inform Decis Mak. (2025) 25:251. doi: 10.1186/s12911-025-03054-z

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • ZhengZXiaJLuoJDuLZhouXYangXet al.
    Karaciğer kanseri hastalarında ICU kabulü sırasında hastanede yatan ölümlülüğünün erken öngörülmesinde makine öğreniminin kullanımı. Sci Rep. (2025) 15:40507. doi: 10.1038/s41598-025-24369-x

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • WangJLinLQiuLPZhengLLWuLXLvHet al.
    Makine öğrenimini kullanarak ICU akciğer kanseri hastalarında hastanede yatan ölümlülüğü riskinin değerlendirilmesi: MIMIC-IV veri tabanına dayalı bir analiz. PloS One. (2026) 21:e0341259. doi: 10.1371/journal.pone.0341259

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • WuXSongQLiDLiuZWangXYangRet al.
    Akut karaciğer yetmezliğinde hastanede yatan ölümlülüğü ögören makine öğrenmesi modelinin geliştirilmesi ve dış validasyonu. Dig Liver Dis. (2026) 58:644–53. doi: 10.1016/j.dld.2026.01.226

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • ShenLWuJLanJChenCWangYLiZ.
    Sepsisli ICU hastalarında 28 günlük ölümlülüğünün yorumlanabilir makine öğrenimine dayalı öngörülmesi: Çok merkezli geriye dönük çalışma. Front Cell Infect Microbiol. (2025) 14:1500326. doi: 10.3389/fcimb.2024.1500326

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • JohnsonAPollardTMarkR.
    MIMIC-III klinik veri tabanı carevue alt kümesi (sürüm 1.4). PhysioNet. (2022). doi: 10.13026/8a4q-w170

    • CrossRef
    • Google Scholar
    • View reference in article
  • Wang, X., Huang, J. ve Liu, J. Çoklu travma hastalarında akut böbrek hasarının erken dönemde tahmini için yorumlanabilir bir makine öğrenmesi modeli. Front Med. (2026) 13:1750815. doi: 10.3389/fmed.2026.1750815

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Ramadan, B., Liu, M., Burkhart, M. C., Parker, W. ve Beaulieu-Jones, B. K. Yapay zeka tahmin modellerinde tanı kodları ve aynı yatışa ait klinik sonuçların sınıflandırılmasında veri sızıntısı. JAMA Netw Open. (2025) 8:e2550454. doi: 10.1001/jamanetworkopen.2025.50454

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Lim, L., Gim, U., Cho, K., Yoo, D., Ryu, H. G., Lee, H. C. Kritik hastalardaki kısa vadeli ölüm riskini tahmin eden gerçek zamanlı makine öğrenmesi modeli: geliştirme ve uluslararası validasyon. Crit Care. (2024) 28:76. doi: 10.1186/s13054-024-04866-7

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Xie, P., Hu, Y., Li, J., Ma, Y. ve Xiao, J. Gerçek zamanlı Yoğun Bakım Ünitesinde ölüm riski tahmininin potansiyelini açığa çıkarma: Sürekli veri geri kazanımı ile risk değerlendirmenin yeniden tanımlanması. NPJ Digit Med. (2025) 8:733. doi: 10.1038/s41746-025-02114-y

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Strutz, S., Liang, H., Carey, K., Bashiri, F., Jani, P., Gilbert, E. ve diğerleri. Hastanede yatan çocuklar arasında kritik olayların tahmini için makine öğrenmesi. JAMA Netw Open. (2025) 8:e2513149. doi: 10.1001/jamanetworkopen.2025.13149

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Pinsky, M. R., Bedoya, A., Bihorac, A., Celi, L., Churpek, M., Economou-Zavlanos, N. ve diğerleri. Kritik bakım yapay zekasının kullanımı: fırsatlar ve engeller. Crit Care. (2024) 28:113. doi: 10.1186/s13054-024-04860-z

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Guan C, Gong A, Zhao Y, Yin C, Zeng L, Liu L ve diğerleri.
    Ağır hastalığı olan hastalarda yeni başlangıçlı atrial fibrilasyon tahmini için yorumlanabilir makine öğrenmesi modeli: çok merkezli bir çalışma. Crit Care. (2024) 28:349. doi: 10.1186/s13054-024-05138-0

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Berkhout WE, van Wijngaarden JJ, Workum JD, van de Sande D, Hilling D, Jung C ve diğerleri.
    Yoğun bakım ünitesinde yapay zeka uygulamalarının operasyonelleştirilmesi: sistematik derleme. JAMA Netw Open. (2025) 8:e2522866. doi: 10.1001/jamanetworkopen.2025.22866

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Shariq T, Rahman A, Jamal Q, Siddiqui M, Khan U, Taufiq F.
    Yoğun bakım ünitesi hastalarında ölüm tahmini olarak SOFA skoru: Pakistan’daki bir üçüncü bakım hastanesinden bilgiler. BMC Res Notes. (2026) 19:12. doi: 10.1186/s13104-025-07596-3

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Wang J, Li Q, Xie C, Li X, Wang H, Xu W ve diğerleri.
    Serum klorür ve diğer nedensel faktörler kullanılarak Causal SurvivalNet ile yoğun bakım üitesi hastalarında hastanede ölüm tahmini: ülke karşılaştırması çalışması. J Med Internet Res. (2025) 27:e70118. doi: 10.2196/70118

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Wu Y, Chen H, Chao W.
    Ağır hastalığı septik hastalarda kırmızı hücre dağılım genişliği ile 30 günlük ölüm arasındaki ilişki: skor eşleştirilmiş bir çalışma. J Intensive Care. (2024) 12:34. doi: 10.1186/s40560-024-00747-x

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Zhang K, Zhang R, Han Y, Cai T, Gu F, Gu Z, ve diğerleri. Yoğun bakımda konjestif kalp yetmezliği ile seyreden akut miyokard infarktüsü hastalarında solunum hızı ile hastanede mortalite arasında J-şekli ilişki. Dose Response. (2024) 22:15593258241303040. doi: 10.1177/15593258241303040

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • Heybati K, Deng J, Bhandakar A, Zhou F, Zamanian C, Aryani N, ve diğerleri. Amerika Birleşik Devletleri’nde kanser hastalarında akut solunum yetmezliğinin sonuçları. Mayo Clin Proc. (2024) 99:578–92. doi: 10.1016/j.mayocp.2023.07.024

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
  • MacPhail A, Dendle C, Savin M, Weinkove R, Bailey M, Pilcher D, ve diğerleri. Yoğun bakıma yatırılan hematolojik malignite hastalarında 2000-2022 arasında sepsis kaynaklı mortalite: iki ülkeyi kapsayan kohort çalışması. Crit Care. (2024) 28:148. doi: 10.1186/s13054-024-04932-0

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
  • García-Aguilera M, Yu-Liu Y, Alexander-Leon H, Fuenmayor-Gonzalez L, Manterola C, Otzen T, ve diğerleri. Yoğun bakımda septik şok hastalarında kanser kaynaklı mortalite: sistematik derleme ve meta-analiz. J Intensive Care Med. (2025) 40:1193–203. doi: 10.1177/08850666251357878

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
  • Ostermann M, Umlertgul N, Jeong R, See E, Joannidis M, James M. Akut böbrek hasarı. Lancet. (2025) 405:241–56. doi: 10.1016/S0140-6736(24)02385-7

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
  • Munch P, Nørgaard M, Jensen S, Birn H, Schmidt H, Christiansen C. Kanser tedavisi sonrası akut böbrek hasarı sonrası gelişen böbrek hasarı riski ve mortalite: kohort çalışması. Cancer Med. (2025) 14:e70646. doi: 10.1002/cam4.70646

    • Pubmed Abstract
    • CrossRef
    • Google Scholar

Özet

Anahtar kelimeler

yoğun bakım, makine öğrenimi, radyoterapi, rastgele orman, SHAP

Başvuru

Chen J, Xie X, Zhang M, Liu Z, Mo R, Xiao N ve Zhao W (2026) Radyoterapi ile ilgili kayıtlar üzerinden tespit edilen Yoğun Bakım Hastaları’nda 28 günlük mortaliteyi öngören makine öğrenmesine dayalı bir model: kamu veri tabanları ve tek merkezli kohort kullanılarak validasyon. Front. Oncol. 16:1935075. doi: 10.3389/fonc.2026.1935075

Alındığı tarih

11 Temmuz 2026

Düzeltilme tarihi

30 Ekim 2026

Kabul tarihi

3 Kasım 2026

Yayınlanma tarihi

13 Kasım 2026

Cilt

16 – 2026

Weixing Cai, Memorial Sloan Kettering Cancer Center, Amerika Birleşik Devletleri

Abdallah Alsammani, Delaware State University, Amerika Birleşik Devletleri

Zhipeng Wang, Sun Yat-sen Üniversitesi Üçüncü Bağlı Hastanesi, Çin

© 2026 Chen, Xie, Zhang, Liu, Mo, Xiao ve Zhao.

Bu açık erişimli makale, Creative Commons Atıf Lisansı (CC BY) koşulları altında dağıtılmaktadır. Orijinal yazar(lar)ın ve telif hakkı sahibinin(lerin) atıf edilmesi ve kabul edilen akademik uygulamalar doğrultusunda bu dergideki orijinal yayının kaynak gösterilmesi şartıyla, diğer platformlarda kullanım, dağıtım veya çoğaltma uygun görülmektedir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma uygun görülmemektedir.

*İletişim: Wei Zhao, zhaowei@gxmu.edu.cn

†Bu yazarlar bu çalışmaya eşit katkıda bulunmuştur

Frontiers | A machine learning-based model for predicting 28-day mortality in ICU patients identified through radiotherapy-related records:
Frontiers | A machine learning-based model for predicting 28-day mortality in ICU patients identified through radiotherapy-related records:

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yalnızca bağlı oldukları kuruluşların, ya da yayıncının, editörlerin ve hakemlerin görüşlerini yansıtmayabilir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

İlginizi Çekebilir: Adolesken İdiyopatik Skolyozda Paraspinal Kas Asimetriisinin Histolojik Özellikleri: Kas Kütlesi, Fibrozis, Yağlı İnfiltrasyon ve Lif Tipi Geçişinin Üç Boyutlu Radyografik Parametrelerle İlişkileri →
Kaynak: Frontiersin ↗
BENZER İNCELEMELER

İlgili Diğer Rehberler