Özet
Arka Plan:
Biyobelirteçler, ayrıntılı elektronik sağlık kaydı (EHR) modellerine ek bilgi katmadan güçlü sonuç ilişkileri gösterebilir. Yüksek yoğunluklu bakım birimlerinde (YJB) tedavi gören yaşlı hastalarda laktat-albumin oranının (LAR) ve troponinin ilişkisini, bu belirteçlere özgü bilginin bilgi açısından zengin bir temel modelden sonra nerede farklılaştığını belirlemek amacıyla ayıran tekrarlanabilir bir referans model geliştirdik.
Yöntemler:
Resmi CinC 2012 Set A, B ve C’deki 12.000 kayıttan, hesaplanabilir LAR’a sahip en az 65 yaşında 1.640 hastayı dahil ettik. İlk 48 saatteki 37 ham değişkenden elde edilen ölçümler, şeffaf bir 290 özellikli temel model oluşturdu. Temel model, LAR ile zenginleştirilmiş model, eksik değerleri dikkate alan troponin modeli, entegre model ve skorla geliştirilmiş model; L2-düzenlenmiş lojistik regresyon, rastgele orman ve gradyan yükseltme yöntemlerini kullandı. Set A geliştirme, Set B doğrulama ve yeniden kalibrasyon, Set C ise dahili test için kullanıldı. Değerlendirme; ayırt ediciliği, kalibrasyonu, eşleştirilmiş bootstrap ablasyonunu, iyimserlik düzeltmesini, karar eğrilerini, permütasyon önemini ve risk yoğunlaşmasını birleştirdi.
Sonuçlar:
Ölüm oranı, en düşük LARmaxLARmax çeyreğinde %18,2 iken en yüksek çeyrekte %36,7’ye yükseldi ve ölüm olasılığı 2,60 kat daha fazlaydı. Bu ilişki dört farklı YJB kategorisinde de aynı yöndeydi (stratejiye özgü LAR interkuartil aralığı başına olasılık oranları 1,30–1,76 arasındaydı). Skorla geliştirilmiş rastgele orman modeli, Set C’de en yüksek AUROC’ye (0,769; %95 GA: 0,729–0,809) ulaştı. Yeniden kalibrasyon, Brier skorunu 0,200’den 0,170’e düşürdü ve genel kalibrasyonu −0,652’den 0,078’e taşıyarak ortalama aşırı tahmini azalttı. LAR veya troponin zenginleştirmesi için eşleştirilmiş bootstrap aralıkları sıfırı geçti; bu da 290 özellikli EHR temel modelinden sonra bilgi doygunluğu sınırını gösterdi. Temel model ve LAR ile zenginleştirilmiş gradyan yükseltme modelinin karar eğrisi ortalama net faydaları sırasıyla 0,120 ve 0,122 oldu. Troponin testi yapılan hastaların ölüm oranı, test yapılmayanlara göre daha yüksekti (%31,6’ya karşı %23,6).
Sonuç:
Bu referans model, belirteç değerinin nerede yer aldığını ortaya koyuyor: LAR, YJB’ler arası bir ölüm sinyali korurken, 290 özellikli EHR temel modeli örtüşen bilginin büyük bir kısmını yakaladı. Eksik değerleri dikkate alan troponin modellemesi ise test sonuçlarının ve seçici test uygulamasının etkisini ölçtü. Tekrar kullanılabilir bu tasarım; ilişkiyi, ek bilgiyi, olasılık güvenilirliğini ve eşik değerine bağlı faydayı birbirinden ayırıyor. CinC 2012, sabit bir tekrarlanabilirlik referansı sağlıyor; modern test yöntemleri ve bakım süreçleri ise bir sonraki doğrulama ortamı olarak değerlendirilebilir.
1 Giriş
Yüksek yoğunluklu bakım birimlerinde tedavi gören yaşlı hastalar, iki farklı türde prognoz kanıtı oluşturur: Bir değişken biyolojik olarak ölümle ilişkili olabilir ve aynı zamanda bir EHR’de zaten mevcut olan ölçümlerin ötesinde ek bilgi de sağlayabilir. Bu iki soruyu birleştirmek, bilinen bir biyobelirtecin bilgi açısından zengin bir ortamda olduğundan daha faydalı görünmesine neden olabilir. Bu nedenle, katı bir ek değer çalışması, referans özellik uzayını açıkça tanımlamalı, seçici olarak uygulanan testlere sahip hastaları eksik değerleri rastgele olarak ele almadan dahil etmeli ve ayırt ediciliği kalibrasyon ve eşik değerine bağlı fayda ile birlikte değerlendirmelidir.
LAR bu test için uygun bir belirteçtir çünkü laktatla ilişkili metabolik stresi, albuminle ilişkili beslenme ve inflamatuar rezervle birleştirir. Önceki çalışmalar LAR’ı sepsis, septik şok ve daha geniş YJB popülasyonlarında olumsuz sonuçlarla ilişkilendirmiştir (–). Troponin ise tamamlayıcı bir zorluk sunar: Miyokard hasarını gösterebilir, ancak anlamı böbrek fonksiyonuna, sistemik strese, test hassasiyetine ve klinisyenin testi neden istediğine bağlıdır (–). Günümüzdeki yüksek hassasiyetli troponin uygulamaları da analitik hassasiyet ve klinik yorumlama açısından önceki test dönemlerinden farklılık göstermektedir (). Bu belirteçler dolayısıyla EHR’lerdeki iki yaygın sorunu aynı anda ortaya çıkarır: Genel hastalık şiddeti özellikleriyle örtüşme ve bilgilendirici test isteme pratiği.
Bu çalışma, belirteç değerinin nerede yer aldığını belirlemek için tekrarlanabilir bir yöntem sunmaktadır. Tamamen tanımlanmış 290 özellikli bir EHR referans modelini, aşamalı belirteç ablasyonunu, eksik değerleri dikkate alan troponin kodlamasını, resmi CinC 2012 veri bölümlerini, sabit test ortamını, eşleştirilmiş bootstrap karşılaştırmalarını, kalibrasyon ve yeniden kalibrasyonu, karar eğrilerini, model açıklamasını ve risk yoğunlaşması analizini birleştirir. Bu tasarım, tek bir performans karşılaştırmasını dört sorunun yapılandırılmış bir testine dönüştürür: Belirtecin sonuçla ilişkili olup olmadığı, ek bilgi katıp katmadığı, elde edilen olasılıkların güvenilir olup olmadığı ve bu eklemenin eşik değerine bağlı kararları değiştirip değiştirmediği.
Temel Bulgular ve Genel Değerlendirme
Anahtar Kelimeler
kalibrasyon, elektronik sağlık kayıtları, hastane içi ölüm, yorumlanabilir makine öğrenmesi, laktat-albumin oranı, yüksek yoğunluklu bakım birimlerinde tedavi gören yaşlı hastalar, kanıt-üzerine referans modeli, troponin
Atıf
Ni Z, Zhang H ve Zhang M (2026) Separating biomarker association from incremental EHR value: a reproducible LAR and troponin benchmark in older high-acuity patients. Front. Med. 13:1909486. doi: 10.3389/fmed.2026.1909486
Alındı
15 Haziran 2026
Revize edildi
11 Ağustos 2026
Kabul edildi
01 Ekim 2026
Yayınlandı
17 Kasım 2026
Cilt
13 – 2026
Zhongheng Zhang, Sir Run Run Shaw Hastanesi, Çin
Can Baba Arin, Dr. Siyami Ersek Göğüs Kalp Cerrahisi Eğitim ve Araştırma Hastanesi, Türkiye
Benrong Liu, Guangzhou Tıp Üniversitesi, Çin
Rui Wu, Shenyang Eczacılık Üniversitesi, Çin
© 2026 Ni, Zhang ve Zhang.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazar(lar) ve telif hakkı sahibi(leri) belirtilip bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıf yapıldığı sürece, diğer platformlarda kullanımı, dağıtımı veya çoğaltılması serbesttir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.
*İletişim: Hong Zhang 13641317744@163.com
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek iddialar yayıncı tarafından garanti edilmez veya onaylanmaz.

