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

Saatlik Modelin Sürekli Vasopressör Başlatılmasında Taşınabilirliği, Kalibrasyonu ve Uyarı Yükü: Üç Veritabanlı Retrospektif Çalışma

✍️ Editör Masası • 📅 15 Kasım 2026 • ⏱️ 33 dk okuma
Saatlik Modelin Sürekli Vasopressör Başlatılmasında Taşınabilirliği, Kalibrasyonu ve Uyarı Yükü: Üç Veritabanlı Retrospektif Çalışma

Orijinal Araştırma Makalesi

Front. Med., 13 Kasım 2026

Bölüm: Yoğun Bakım ve Anesteziyoloji

Cilt 13 – 2026 | https://doi.org/10.3389/fmed.2026.1993720

  • XX

    Xiaoye Xu 1†

  • TC

    Tielong Chen 2†

  • PS

    Pengqin Shu 2†

  • ZL

    Zhao Liu 2†

  • FY

    Fei Ying 2

  • CB

    Cheng Bao 2

  • CC

    Chao Chen 2

  • JS

    Jing Sun 2*

  • 1. Zhejiang Üniversitesi Tıp Fakültesi’ne bağlı Ruh Sağlığı Merkezi & Hangzhou Yedinci Hastane, Hangzhou, Zhejiang, Çin

  • 2. Zhejiang Tıp Bilimleri Üniversitesi’ne bağlı Hangzhou Geleneksel Çin Tıbbi Hastane, Kalp Damar Hastalıkları Bölümü, Hangzhou, Zhejiang, Çin

Makale ölçütleri

Görüntülemeler

Özet

Arka plan:

Klinik tahmin modelleri, farklı ortamlarda ayrıştırma yeteneğini korurken olasılıksal kalibrasyon veya uygulanabilir bir uyarı politikasını kaybedebilir. Biz bu ayrımı, belgilenmiş sürekli vazoaktif ilaç başlangıcının saatlik tahmininde değerlendirdik.

Yöntem:

MIMIC-IV v3.1, eICU-CRD v2.0 ve SICdb v1.0.8 kullanıldı. Tedavi edilmemiş yetişkin hastanede kalış süreleri, gözlem altındayken ICU 6. saatten 24. saate kadar saatlik referans noktaları sağladı. Sonlanım noktası, ICU/birim çıkışından önceki altı saat içinde ilk başlangıctı; başlangımsız çıkış operasyonel bir olay olmama olarak kabul edildi. Histogram tabanlı gradan yükselme (HGB) ve lojistik regresyon, hastalardan ayrık MIMIC-IV referans dönemi gruplarında uyarlandı ve seçildi. Değerlendirme, ayrı bir MIMIC-IV grubu ve iki harici veri tabanı kullanıldı. Kaynak gözlemleri, öngörücü özetlemesinden önce aralık kontrolünden geçirildi; SICdb saatlik özetleri, kaynak saati bitene kadar bekletildi. Bu geriye dönük zamanlama kuralları, canlı klinik bilgi sistemlerindeki erişilebilirliği doğrulamadı.

Sonuçlar:

Değerlendirme, 9.534 MIMIC-IV referans dönemi yoğun bakım yatışından 165.204, 168.636 eICU-CRD yatışından 2.745.224 ve 3.997 SICdb yatışından 58.756 veri noktasını kapsamıştır. HGB AUROC değerleri sırasıyla 0,770, 0,849 ve 0,695 olarak bulunmuştur. 100 adet kimliği örtüşmeyen yerel güncelleme ayrımında, kalibrasyon alt kümesinden alınan sabit tahminle karşılaştırıldığında medyan Brier becerisi güncellemeden önce −0,168, −0,005 ve 0,023; tam lojistik yeniden kalibrasyondan sonra 0,019, 0,025 ve 0,028 olarak hesaplanmıştır. 100 kalibrasyon satırında beş ham uyarıyı hedefleyen eşikler altındaki olay tespiti, altı saatlik bastırmadan sonra 0,406, 0,510 ve 0,275; hatalı yayılan uyarılar 100 değerlendirme satırında sırasıyla 1,64, 1,52 ve 1,51 olarak ölçülmüştür. %80 ham veri noktası duyarlılığını hedefleyen eşikler, bastırmadan sonra uygun olayların 0,885, 0,873 ve 0,883’ünü tespit ederken, olay içermeyen yatışların %63,8, %50,7 ve %86,9’u en az bir hatalı uyarı almıştır.

Sonuçlar:

Ayrımcılık düzensiz biçimde aktarılmış, kalibrasyon ve uyarı performansı ise ortamdan ortama değişkenlik göstermiştir. Değerlendirilen model ve uyarı politikaları klinik kullanıma hazır değildir. Herhangi bir prospektif sessiz değerlendirmeden önce, önceden belirlenmiş klinik kriterlere karşı offline değerlendirme yapılmalıdır.

Giriş

Sürekli vasopressör infüzyonu, ICU bakımında klinik açıdan önemli bir yükseltilmdir. Saatlik bir risk tahmini, kayıtlı infüzyon başlamadan önce yeniden değerlendirme veya hazırlığı destekleyebilir, ancak tedavinin gösterilip gösterilmediğine karar veremez. Başlatma; fizyoloji, klinik muhakeme, yerel uygulama ve kayıtları düzenlemeyi yansıtır. Önceki çalışmalar, ilgili tedavi odaklı sonuçları kullanmıştır (–). Burada ilgili soru, donuk bir modelin, kayıtlı tedaviyi doğrudan şok ölçümü olarak ele almadan, referans dönemi grupları ve ortamları boyunca tahmin fırsatlarını tutarlı biçimde sıralayıp sıralamadığıdır.

İlgili çalışmalar arasında ICU popülasyonlarında hemodinamik müdahalelerin tahmini (), uzun süreli vasopressor infüzyonu ve merkez venöz kateterizasyon (), şüpheli enfeksiyonu olan hipotansif acil servis hastaları arasında vasopressor gereksiniminin tahmini () yer alır. Başka çalışmalar hemodinamik kararsızlık için fizyolojik kümeler, dışsal validasyon ve dinamik modelleri inceledi (). Erken uyarı araştırmaları çeşitli ortamları ve yöntemleri kapsar (), yapılandırılmış ölçümleri klinik notlarla birleştiren sepzis modellerini de dahil ederek (). Uluslararası değerlendirmeler, bir model farklı merkezlerde uygulandığında performansın azalabileceğini gösterdi (). Zamansal örnekleme, gelecekteki olayların görünür tahminini yanlılaştırabilir () ve dışsal değerlendirme, yaygın olarak uygulanan sistemlerde kötü performansı ortaya çıkarabilir (). Bu bulgular, risk sıralamasını, olasılık doğruluğunu ve uyarı yükünü birbirinden ayıran bir değerlendirmeyi gerekli kılıyor.

Ayırma yeteneği yalnızca, tahmin edilen olasılıkların aktarılacağını kanıtlamaz. Olgu karışımı, tedavi uygulaması, ölçüm sıklığı, veri kaydı ve olay yaygınlığındaki farklar, büyük ölçekli kalibrasyonu (CITL) ve kalibrasyon eğimini değiştirebilir (). Doğrulama ortamı ve performans ölçütü, bir tahminin neyi destekleyebileceğini belirler (). AUROC, AUPRC, kalibrasyon, Brier becerisi ve uyarı yükü farklı soruları yanıtlar (). Dolayısıyla bir ortamda seçilen nominal eşik, başka bir ortamda farklı bir çalışma noktasını temsil edebilir.

İlk belgilenmiş sürekli vasopressor başlatması için saatlik bir modeli değerlendirdik; uygunluk ölçütlerini her landmark noktasında geriye dönük kayıtlardan yeniden inşa ettik. Aday modeller, hastalardan bağımsız MIMIC-IV referans dönemi gruplarında uyarlandı ve seçildi, ardından dışsal yeniden uyarlama olmadan ayrı bir MIMIC-IV grubunda, ABD çok merkezli eICU-CRD kohortunda ve tek merkezli Austrian SICdb kohortunda değerlendirdik. Ayırma yeteneğini, kalibrasyonu, yerel recalibrasyonu, hastane heterojenliğini ve açık bir uyarı baskılama kuralı altında olay tespitini inceledik.

Yöntemler

Çalışma tasarımı ve raporlama

Bu retrospektif, çoklu veritabanı çalışması tekrarlanan saatlik landmarks yöntemini kullandı. Burada tahmin-zamanında tanımlanabilirlik, geriye dönük zaman damgaları, özetleme kuralları ve gözlemlenen kayıtlardan uygunluk ve öngörücü dahil etmenin yeniden inşa edilmesini ifade eder. Her bir öngörücünün tahmin anında canlı klinik bilgi sisteminde mevcut olduğu ispatlanmaz. Raporlama, orijinal TRIPOD beyanını güncelleyen TRIPOD + AI () çerçevesine uygun olarak yapıldı. Yanlılık riski PROBAST () ile değerlendirildi ve kümelenmiş veri raporlaması TRIPOD-Cluster () kullanıldı. Erken aşama keşif amaçlı proje çalışmaları dış kohort sonuçlarını incelemişti. Mevcut proje kaydı, bu erken incelemenin önceki analiz kararlarını etkileyip etkilemediğini göstermez. Dolayısıyla geçerli analiz, prospektif körleştirilmiş dış validasyon değil, retrospektif bir taşınabilirlik değerlendirmesidir. Analiz, sabit öngörücü tanımları, aday algoritmalar ve hiperparametreler kullandı; model uydurma ve seçimi yalnızca MIMIC-IV gelişim ve seçim gruplarında yapıldı.

Veri kaynakları ve ortamlar

MIMIC-IV, ABD merkezli tek bir akademik tıp merkezinden elektronik sağlık kayıtları veri setidir; sürüm 3.1 kullanıldı (, ). Hastasevi anahtar yıl grubu (anchor_year_group), hastaların örtüşmediği gelişim (referans dönemleri 2008–2016), model seçimi (2017–2019) ve test (2020–2022) dönemlerini tanımladı. Bu etiketler hasta referans dönemlerini ifade eder, her girişin takvim tarihlerini değil. Anahtar yıldan (anchor_year) giriş yılı ofsetlerini denetledik ve ortaya çıkan yaklaşık giriş yılı aralıklarını Ek Tablo 5’te bildirdik; kesin kronolojik ayrıklık iddia edilmez. eICU-CRD v2.0, 2014–2015 yılları arasında 208 ABD hastanesini içerir (, ). Hastahastane sistemi kalış kimliği (patienthealthsystemstayid), hastaneye girişteki tüm girişleri değil, bir hastaneye giriş içindeki ünite kalışlarını bağlar. SICdb v1.0.8, Avusturya’daki tek bir üçüncü derecelik hastaneden gelir (, ); birincil kohort, veritabanı belgelerinde yüksek düzeyde bakım üniteleri olarak tanımlanan CWIN ve INBD’i kapsamıştır. Bu ortamlar Ek Tablo 1’de betimlenmiştir.

Katılımcılar ve landmarks inşası

6. saatten sonra gözlemlenen yetişkin ICU veya ünite yatışları, popülasyonu sepsisle sınırlamadan uygun sayıldı. Aday işaret noktaları 6. saatten 24. saate kadar saatlik olarak üretildi. Hastanın ICU/ünitede kalmaya devam etmesi ve o ana kadar veya o anda hedef vazopressör başlatılmamış olması durumunda işaret noktası korundu. Nokta noktasında tam olarak başlayanlar risk kümesinden hariç tutuldu. Bir olay, işaret noktasından kesinlikle sonra ve işaret noktası artı 6 saat ile ICU/ünite çıkışından daha erkininın arasında başlamayı gerektirdi. Erken çıkış, başlatma olmasa da operasyonel olay dışı olarak kaldı; gelecekteki bir minimum yatış süresi gerekmedi. Gözlemlenen ufak kaydedildi. Bu, güncel ICU/ünite hastalık dönemi içindeki belgilenmiş başlatmanın olasılığıdır, taburculuk, transfer veya ölüm ne olursa olsun tedavi gereksiniminin olasılığı değildir. Birincil analiz, uygun işaret noktalarını eşit ağırlıkla değerlendirdi; güven aralıkları yatışa göre kümelemeyi dikkate aldı. Risk kümesi Şekil 1 ve Ek Tablo 16’da tanımlanmıştır.

Şekil 1

Sonuç

İkili sonuç, operasyonel ufkın sonunda önce noradrenalin, adrenalin, fenilefrin, vazopressin veya dopamin sürekli infüzyonunun belgilenmiş ilk başlatmasıydı. MIMIC-IV sonuç zamanları mimiciv_derived.vasoactive_agent içindeki pozitif-oran kayıtlarından; eICU-CRD sonuç zamanları pozitif-oran infüzyondrug kayıtlarından; SICdb sonuçları ise beş önceden belirlenmiş DrugID için sürekli-kullanım kayıtlarından alındı. Uç nokta, fizyoloşik şok başlangıcı, tedavi gereksinimi veya hekim niyet değil, belgilenmiş bir tedavi geçişini temsil ediyordu. Çizim, ilaç adılandırma ve zaman damgası çözünürlüğündeki farklar veri tabanı özgü sonuç yanlış sınıflandırmaya yol açabilir. Kesin noradrenalin-tekili ve noradrenalin-ilk başlatma tanımları post hoc olarak değerlendirildi.

Tahmin ediciler ve ön işleme

Modeller 42 sabit öngörücü kullandı: yaş, kayıtlı cinsiyet, ana saat ve yedi yaşam belirtisinin son değeri ile 6 saatlik özetleri ve ICU girişinden bu yana 11 laboratuvar ölçümünün son değerleri. Çalışma düzeyi pencere ortalamaları, en küçük ve en büyük değerler ile son geçerli değer seçimi öncesinde yaygın kabul edilen normal aralıklar uygulandı. MIMIC-IV, yayımlanmış türetilmiş kaynak tablolarını; eICU ise kaynak öncelik ve düzeltilmiş sonuç sıralama kurallarını kullandı. SICdb’de her yayımlanmış saatlik yaşam belirtisi özeti, ICUOffset’a göre Offset + 3.600 s konumunda yalnızca kullanılabilir olarak değerlendirildi; tamamlanmamış bir kayıtlı saatlik kayıt tahmine katılamadı. Bu kurallar geriye dönük öngörücü dahil etmeyi tanımlar, gerçek zamanlı klinik kullanılabilirliği ise kurmaz. Bu saatlik değerlerin çalışma düzeyi özetlemesi öncesinde aralık kontrolleri uygulandı, ancak bu kontrolleri oluşturan dakikalık ölçümlerin filtrelemesini geri inşa edemedi. Kaynak eşleştirmeleri, birimler ve işleme sıralaması Ek Tablolar 2 ve 6’da ayrıntılı olarak verilmiştir.

HGB eksik değerleri yerel olarak işledi. Lojistik regresyon, medyan doldurma, eksiklilik göstergeleri, standartlaştırma ve yalnızca MIMIC-IV eğitim verileri içinde uyarlanan düzenleme kullandı. Laboratuvar yaşı, seçilen kaynak ölçümünden landmark penceresine kadar olan süreyi ifade etti. Birincil analiz, veritabanları arasında tutarlı bir giriş tanımı değerlendirmek için son geçerli giriş sonrası sonucun kullanılmasına dayanan sabit kuralı korudu. İleri taşınan bir sonuç, hastanın fizyolojisinin değişmediğini varsızmadan, kaydedilen en son ölçümü temsil etti. Bu tanımı korumak, daha sıkı yaş sınırlarının etkisinin değerlendirme kohortu sonuçlarından yeni bir birincil kural seçmeden ayrı ayrı incelenmesine olanak tanıdı. 24 saatlik üst sınır, landmark penceresinden kaynaklandı ve klinik tazelik ölçütü değildi. Yaş dağılımları denetlendi ve 6 veya 12 saatten eski laboratuvar değerleri eksik sayılacak şekilde dondurulmuş HGB modeli değerlendirildi. Bu erişilebilirlik bozulmaları modeli yeniden uyarlamadı. Seviye düzeyinde aralık reddi sayıları kaydedildi. Tam 42 öngörücülü kalite kontrol tabloları, kesin eksiklilik ve ampirik quantilleri de dahil olmak üzere tüm satırları kullanarak beş birincil kohortu betimler (Ek Tablolar 6, 11 ve 12.1–12.5).

Model geliştirme ve sabit-pipe-line değerlendirme

Düzenli lojistik regresyon ile HistGradientBoostingClassifier karşılaştırıldı. Her iki aday model de MIMIC-IV geliştirme referans dönemi grubunda uyarlandı. HGB, 0.05 öğrenme hızı, 200 maksimum yineleme, 15 maksimum yaprak düğümü, 100 minimum yaprak boyutu, 1.0 L2 düzenlileştirme ve 20260823 rastgele tohum değerini korudu. Seçim yalnızca MIMIC-IV model seçim grubu kullanılarak yapıldı; birincil ölçüt AUROC, eşitlik durumunda belirleyici olarak AUPRC alındı. Her iki model ardından geliştirme ve seçim gruplarının birleştirilmiş veri setinde yeniden uyarlandı ve MIMIC-IV referans dönemi test seti, eICU-CRD ile SICdb’ye değiştirilmeden uygulandı. Yukarıda betimlenen ön işleme süreciyle üretilen girdiler hem eğitim hem de değerlendirme için kullanıldı. Revize edilmiş analizde model uyarlama ve son aday seçimi yalnızca MIMIC-IV geliştirme ve model seçim gruplarını içerdi. Aday algoritmalar ve hiperparametre belirtimleri, önceki proje çalışmalarından değiştirilmeden aktarıldı. Önceki dış sonuç incelemesinin, bu önceki analiz seçimlerine göre zamanlaması yeniden kurulamadığı için, aday belirtimlerinin olası hiçbir dış sonuç maruziyetinden etkilenmeden seçildiğini iddia etmiyoruz.

Hiçbir sonuç yeniden örnekleme, sentetik örnekleme veya sınıf ağırlama kullanılmadı. Uygun kayıtların tümü korundu. Resmi bir önceden belirlenmiş örneklem büyüklüğü hesaplaması yapılmadı; kesinlik olay sayıları ve kalıncıya göre gruplandırılmış güven aralıklarından değerlendirildi.

Performans ve istatistiksel analiz

Ayırt edicilik AUROC ve AUPRC ile; olasılık hatası Brier puanı ile değerlendirildi. Brier becerisi, modelin Brier puanının sabit tahmin Brier puanına oranının bir eksi değeri olarak hesaplandı. Tablo 1’deki tüm kohortu içeren betimleyici sonuçlarda sabit değer, açıkça retrospektif bir referans olan bu kohortun gözlemlenen olay oranıydı. Tekrarlanan ayrı tutulan yerel güncelleme analizlerinde sabit değer, kalibrasyon alt kohortundan tahmin edildi ve değerlendirme alt kohortuna değişmeden uygulandı; değerlendirme sonuçları bu tahmini belirlemek için kullanılmadı. Kalibrasyon CITL ile, ortak tahmin edilen bir kalibrasyon kesimi ve eğimi ile risk çeyrek eğrileri kullanılarak değerlendirildi. Çalışmada eyleme yarayan bir bakım yol haritası ya da bunun fayda-zarar dengesi belirlenmediğinden ve örtüşen tahminlerin klinik yorumlanabilmesi için tanımlanmış bir uyarı politikası gerektiğinden karar eğrileri hesaplanmadı. Karar eğrisi yöntemleri, eşiklerin ve klinik sonuçların uygun biçimde yorumlanmasını gerektirir.

CITL, eğimin bir olacak şekilde sabitlendiği bir kalibrasyon modelinin kesimi olarak, tahmin edilen riskin logit’ini bir kayma terimi olarak kullanan ve ortalaması yeniden kalibre edilmiş riski gözlemlenen pozitif-landmark prevalansına eşitleyecek şekilde kesimin seçilmesiyle hesaplandı; kalibrasyon kesimi ve eğimi ayrı bir lojistik modelde ortak biçimde tahmin edildi. Bir post hoc betimleyici karşılaştırma olarak, her değerlendirme kohortunun pozitif-landmark prevalansı ayrıca birleştirilmiş model uyum verilerinin prevalansı ile logit ölçeğinde karşılaştırıldı; bu karşılaştırma CITL’nin ayrıştırılması değildi.

AUROC, AUPRC ve Brier skoru için 95% güven aralıkları, ICU/yatış süresine göre örnekleme yapılan 300 yüzdeil bootstrap tekrarlaması kullanılarak hesaplandı. HGB-minus-logistik farkları aynı tekrarlamalar içinde hesaplandı ve eşleştirilen aralıkları raporlandı. Kalibrasyon aralıkları için yatış kümelemeli sandviç standart hataları kullanıldı. eICU-CRD’ye ek olarak hastane kümelemeli bootstrap uygulandı. En az 1.000 landmark, 20 olay-pozitif yatış ve 20 olay-negatif yatış içeren hastaneler, patienthealthsystemstayid-kümelemeli standart hatalar ve ters-varyans REML rastlantısal-etki özetleriyle betimleyici kalibrasyon tahminleri sağladı; eğimler log ölçeğinde sentezlendi. AUROC birincil ayırt edicilik metriğiydi. Diğer tahminler, alt grup analizleri ve post hoc duyarlılık analizleri betimleyiciydi; çoklu-düzeltilmiş doğrulayıcı test ailesi tanımlanmadı.

Analizler Python 3.14.5, pandas 3.0.4, NumPy 2.5.0, SciPy 1.18.0, scikit-learn 1.9.0 ve joblib 1.5.3 kullanıldı. Şekiller Matplotlib 3.11.0 ile oluşturuldu. Bootstrap örnekleme, logistic regresyon ve tekrarlanan yerel-güncelleme bölümleri seed 20260930’u; HGB ise seed 20260823’ü kullandı. Bölümlendirme-atama hash’leri ve yazılım kayıtları Ek Kod’da sağlanıyor.

Tutulan yerel-güncelleme

Her değerlendirme veritabanında, gruplandırma tanımlayıcıları pozitif bir landmark katkıda bulunup bulunmadıklarına göre katmanlandırıldı ve rastlantısal olarak 20% kalibrasyon alt kümesi ve 80% değerlendirme alt kümesine atandı. Tanımlayıcılar MIMIC-IV subject_id, eICU-CRD patienthealthsystemstayid ve SICdb PatientID’ydi ve hiçbir tanımlayıcı kümeler arasında paylaşılmadı. Sadece kesim terimi içeren güncelleme, logit eğimini 1’de sabitledi; tam logistic güncelleme hem kesim terimini hem eğimi tahminledi. Her güncelleme, HGB yeniden uyarlanmadan tutulan değerlendirme alt kümesine uygulandı. Yüz bölümlendirme, her veritabanında seed 20260930 kullanılarak bağımsız olarak oluşturuldu ve aynı bölümlendirmeler kalibrasyon ve politika analizlerinde kullanıldı. Medyanlar ve çeyrekler arası aralıklar bölümlendirmeler arasındaki değişkenliği tanımlar, güven aralıklarını değil. Bunlar veritabanı içi keşif amaçlı güncellemelerdi, yeni hastanelerde doğrulama değildi.

Duyarlılık, heterojenlik ve alt grup analizleri

Post hoc duyarlılık analizleri, tam yataylı işaret noktalarında, her yatış için tek bir 6. saat işaret noktasında ve eşit toplam yatış değerlendirme ağırlıklarının (her yatış için uygun işaret noktalarının ters sayısı) kullanıldığı değerlendirmeleri içeriyordu. Bu analizler donmuş HGB tahminlerini yeniden kullandı ve model eğitimini değiştirmedi. Noradrenalin’e özgü uç noktalar da değerlendirildi. 1 saatlik klinik-aksiyon-arası analizi, 1 saat içindeki olayları hariç tuttu, değişmeyen HGB spesifikasyonunu ilgili MIMIC-IV eğitim satırlarıyla yeniden uydurdu ve sonr olayları aynı operasyonel pencere içinde değerlendirdi. Yalnızca kullanılabilirlik içeren lojistik karşılaştırıcı, aynı MIMIC-IV bölümleri altında eksiklik göstergelerini kullandı. Bütün bunlar post hoc olarak gerçekleştirildi.

Yayılan bir uyarı, aynı yatış içindeki sonraki eşik geçişlerini 6 saat boyunca baskıladı. Eşikler ya saatlik 100 kalibrasyon satırında beş ham uyarı ya da %80 ham pozitif-ışaret noktası duyarlılığını hedefliyordu ve ayrılmış değerlendirme verisine değişmeden uygulandı. Bir olay-pozitif yatış yalnızca, yayılan en az bir uyarının, bu uyarının operasyonel tahmin penceresi içinde başlangıcı takip etmesi durumunda saptandı. Öncelik süresi, ilk doğru uyarıdan ölçüldü; başlangıctan 6 saatten fazla önceki uyarılar saptama sayılmadı. Erken bir yanlış uyarı, sonr doğru bir fırsatı baskılayabilir ve böylece bir olayın kaçırılmasına yol açabilir. Olay-yatış saptaması, yayılan uyarıların pozitif öngörü değeri, saatlik 100 uygun satır başına yanlış uyarı sayısı ve false alert alan olay-yoğun olmayan yatışların yüzdesi bildirildi. Öncelik süresi çeyrekleri, her bölümdeki saptanmış yatışlar içinde hesaplandı, ardından bölümler boyunca özetlendi. Karşılaştırılabilirlik için ham ve baskılamadan sonr işaret noktası ölçümleri de tablolanıyor; ancak sonuncunun paydayı tekrarlanan pozitif saatleri içerdiğinden bu, bir olay-saptama oranı değildir. Uygun olay yatışları, 6. ve 24. saatler arasında en az bir pozitif işaret noktasına sahip olanlardır; satır tabanlı oranlar hasta-gün oranları değildir.

Keşif alt grup analizleri, kaydedilen dört yaş grubunu (18–44, 45–64, 65–79 ve 80 yaş ve üzeri) ve kaydedilen ikili cinsiyeti kullandı. Her yatış, her değişken için yalnızca bir alt gruba katkıda bulundu. O değişkeni içermeyen kayıtlar yalnızca ilgili alt grup analizinden çıkarıldı. Gruplar arası hipotez testi veya adalet kısıtlaması belirlenmedi. Irk ve etnik köken veritabanları arasında uyumlu hale getirilemedi ve kaydedilen cinsiyet, cinsiyet kimliği olarak yorumlanmamalıdır.

Etik ve veri erişimi

Bu retrospektif çalışma, kimliği kaldırılmış MIMIC-IV, eICU-CRD ve SICdb verilerini kullandı. Kurum politikası gereği, bu ikincil analiz ek etik inceleme gerektirmedi. Doğrudan hasta teması veya kimliği belirlenebilir bilgi söz konusu olmadı ve aydınlatılmış onay alınmadı.

Veritabanına erişim ve kod erişimi, Veri erişimi bildiriminde açıklanmaktadır.

Sonuçlar

Kohortlar ve olay yaygınlığı

İlk risk kümesi, MIMIC-IV geliştirme aşamasında 51.869 yatıştan gelen 860.892 landmark; MIMIC-IV model seçimi aşamasında 12.389 yatışfrom gelen 206.791 landmark; MIMIC-IV referans dönemi test aşamasında 9.534 yatışfrom gelen 165.204 landmark; eICU-CRD’de 168.636 yatışfrom gelen 2.745.224 landmark; SICdb’de 3.997 yatışfrom gelen 58.756 landmarktan oluşmaktaydı. Tamamen bir landmarkta başlayan vakaların çıkarılması 133 değerlendirme satırını (bir MIMIC-IV, 122 eICU-CRD ve on SICdb satırı) kaldırdı; kohortların tam sayıları Şekil 1, Tablo 2 ve Ek Tablo 16’da verilmiştir.

Tablo 2

Karakteristik MIMIC geliştirme MIMIC seçim MIMIC test eICU-CRD SICdb
Kalışlar 51,869 12,389 9,534 168,636 3,997
Landmarklar 860,892 206,791 165,204 2,745,224 58,756
Olay-pozitif kalışlar 3,514 867 316 6,352 556
Olay-pozitif kalışlar (%) 6.77 7.00 3.31 3.77 13.91
Pozitif landmarklar 14,073 3,314 1,250 27,039 2,453
Pozitif landmarklar (%) 1.63 1.60 0.76 0.98 4.17
Çıkışla kesilen olay-olmayan landmarklar 91,582 18,354 12,308 327,932 8,699
Çıkışla kesilen landmarklar (%) 10.64 8.88 7.45 11.95 14.81
Yaş, ortanca (IQR) 66 (54–78) 66 (54–76) 66 (55–76) 65 (52–76) 65 (55–75)
Kaydedilen erkek cinsiyeti (%) 53.98 55.61 58.30 53.77 61.70

Prediction-time kohort karakteristikleri.

MIMIC grupları hasta referans dönemi gruplarıdır. Olay-pozitif kalışlar en az bir uygun pozitif landmark içerir. Çıkışla kesilen satırlar operasyonel olay-olmayan veriler olarak korunur. Yaş ve cinsiyet her kalış için bir kayıt özetler.

Olay-pozitif kalış yaygınlığı geliştirme, model seçimi, MIMIC-IV testi, eICU-CRD ve SICdb sırasıyla 6.77%, 7.00%, 3.31%, 3.77%, 13.91% olarak bulundu. Karşılıklı pozitif landmark yaygınlığı 1.63%, 1.60%, 0.76%, 0.98%, 4.17% idi. Çıkışla kesilen olay-olmayan landmarklar üç değerlendirme kohortunun sırasıyla 7.45%, 11.95%, 14.81%’ini oluşturdu. Bu farklar referans dönemi ve veri tabanı gruplarını tanımlar; saf takvim zamanı kaymasını ifade etmez.

Giriş dönemi denetimi, geliştirme, model seçimi ve test kalışlarında sırasıyla 13.529/51.869, 2.837/12.389 ve 872/9.534 vakada nominal referans dönemi sınırlarından olası sapmalar saptadı. Hast grupları ayrık olsa da, tahmini giriş yılı aralıkları örtüşüyordu; bu nedenle kesin kronolojik doğrulama kurulmadı (Ek Tablo 5). Demografik özetler ve öngörücü dağılımları Tablo 2 ve Ek Tablo 12.1–12.5’te sunulmuştur.

MIMIC-özel model seçimi

MIMIC-IV model seçimi referans dönemi grubunda HGB, AUROC 0.848 ve AUPRC 0.201 değerine ulaşırken, lojistik regresyon için bu değerler sırasıyla 0.827 ve 0.176 idi. HGB seçildi; nihai modeller birleştirilmiş MIMIC-IV geliştirme ve seçim grupları üzerinde yeniden uyarlandı. Ek Tablo 4C, nihai uyarlamadan önce her iki adayı da model seçimi grubunda bildirmektedir.

Değerlendirme kohortlarında ayırt edicilik

HGB AUROC değeri MIMIC-IV referans dönemi testinde 0.770 (95% GI 0.745–0.795); eICU-CRD’de 0.849 (95% GI 0.844–0.853); SICdb’de 0.695 (95% GI 0.668–0.716) olarak bulundu. AUPRC değerleri sırasıyla 0.045, 0.064 ve 0.103 idi (Şekil 2 ve Tablo 1). SICdb, daha düşük AUROC’ya sahip olmasına rağmen en yüksek olay yaygınlığına ve AUPRC değerine sahipti; bu nedenle AUPRC değerleri her kohortun yaygınlığı bağlamında yorumlanmalıdır.

Şekil 2

Tablo 1

Kohort Model AUROC (95% IG) AUPRC (95% IG) Brier (95% IG) Brier becerisi
MIMIC test LR 0.749 (0.722–0.779) 0.034 (0.027–0.045) 0.0090 (0.0082–0.0099) −0.194
MIMIC test HGB 0.770 (0.745–0.795) 0.045 (0.035–0.062) 0.0088 (0.0080–0.0097) −0.169
eICU-CRD LR 0.819 (0.815–0.823) 0.048 (0.046–0.051) 0.0105 (0.0103–0.0107) −0.074
eICU-CRD HGB 0.849 (0.844–0.853) 0.064 (0.061–0.067) 0.0098 (0.0096–0.0100) −0.005
SICdb LR 0.663 (0.638–0.686) 0.084 (0.072–0.101) 0.0404 (0.0373–0.0437) −0.010
SICdb HGB 0.695 (0.668–0.716) 0.103 (0.089–0.122) 0.0391 (0.0360–0.0426) 0.023

Ayırımcılık ve olasılık hatası.

Aralıklar, 300 eşleştirilmiş kalınlık kümesi örnekleme (bootstrap) kullanır. Yalnızca burada, Brier becerisi her kohortun gözlemlenen yaygınlığını geriye dönük referans olarak alır. Şekil 3 ve Ek Tablo 4’teki ayrılmış beceri, kalibrasyon alt kohortunun yaygınlığını kullanır. Model farkı aralıları Ek Tablo 4’tedir. Brier puanları ve güven sınırları dört ondalık basamakla; eşleştirilmiş Brier farkları Ek Tablo 4A’da altı ondalık basamakla gösterilir.

HGB-eksi-lojistik AUROC farkları sırasıyla 0.021 (95% IG 0.009–0.034), 0.029 (95% IG 0.027–0.032) ve 0.032 (95% IG 0.016–0.048) olarak bulundu. Eşleştirilmiş AUROC, AUPRC ve Brier puanı farkları Ek Tablo 4’te verilmiştir. Bu karşılaştırmalar, sabit aday modelleri tanımlar ve algoritmik yeniliği kanıtlamaz.

Kalibrasyon tek düzede taşınmadı

HGB CITL değeri −1,169 (95% GA −1,305 ile −1,034), −0,608 (95% GA −0,636 ile −0,580), 0,350 (95% GA 0,253–0,448) olarak bulunmuş; bu, iki ABD kohortunda ortalamadan yüksek tahmin, SICdb’de ise düşük tahmin işaretidir. İlgili eğimler 0,710, 1,006, 0,727’dir (Şekil 3 ve Tablo 3).

Şekil 3

Tablo 3

Toplu kohort Büyük ölçekte kalibrasyon (95% GA) Kalibrasyon eğimi (95% GA)
MIMIC test −1,169 (−1,305 ile −1,034) 0,710 (0,646 ile 0,775)
eICU-CRD −0,608 (−0,636 ile −0,580) 1,006 (0,989 ile 1,022)
SICdb 0,350 (0,253 ile 0,448) 0,727 (0,640 ile 0,813)
Hastane sentezi Hastaneler Tahmin (95% GA) 95% tahmin aralığı I2 (%)
Büyük ölçekte 73 0,009 (−0,097 ile 0,115) −0,848 ile 0,867 91,7
Eğim 73 1,208 (1,169 ile 1,248) 0,965 ile 1,513 66,9

HGB kalibrasyonu ve hastane düzeyinde heterojenlik.

Toplu kalibrasyon kalıncı kümelemeli belirsizliği kullanır. Hastaneye özgü tahminler hastalanma kümeme belirsizliği ve ters varyanslı REML sentezini; eğimler log ölçeğinde sentezlenir. Hastane özeti, toplu örneklemlerden farklı ağırlık ve tahmin nesnesine sahiptir.

Yerel kalibrasyon yeniden ayarlanması ve uyarı politikaları

100 adet ayrışık ayrılığa sahip bölütlemede, kalibrasyon-alt kümesi sabit tahminiyle karşılaştırılan ortanca Brier becerisi, kalibrasyon yeniden ayarlamadan önce −0,168, −0,005, 0,023; yalnızca kesim terimi güncellemesinden sonra 0,005, 0,025, 0,021; tam kesim-ve-eğim güncellemesinden sonra 0,019, 0,025, 0,028 olarak bulunmuştur. Yalnızca kesim terimi güncellemesi Brier becerisini kohortlar boyunca düzgün şekilde iyileştirmemiştir; tam güncelleme ve bölütleme içi değişimler ayrı olarak raporlanmıştır (Şekil 3 ve Ek Tablolar 4, 14). Bu değerler tahminleri değerlendirmek için kullanılmış, ancak sabit referansı tahmin etmek için kullanılmamıştır.

Beş ham uyarıyı 100 kalibrasyon satırında hedefleyen eşikler, baskılama sonrasında uygun olay kalışlarının 0,406, 0,510 ve 0,275’ini tespit etti ve 100 değerlendirme satırında 1,64, 1,52 ve 1,51 yanlış yayılan uyarı üretti. %80 ham landmark duyarlılığını hedefleyen eşikler, baskılama sonrasında olayların 0,885, 0,873 ve 0,883’ünü tespit etti; olay içermeyen kalışların %63,8, %50,7 ve %86,9’ı en az bir yanlış uyarı aldı. Son politika için medyan yayılan-uyarı pozitif öngörü değerleri 100 ayrılmış bölütleme üzerinde sırasıyla %1,7, %3,1 ve %6,1’di. Son politika için medyan doğru-uyarı uyarı süreleri sırasıyla 2,04, 2,32 ve 2,33 saatti ve tüm doğru-uyarı uyarı süreleri 6 saatin içindeydi (Tamaylı Tablo 8).

Tablo 4

Kohort ve kalibrasyon hedefi Tespit edilen olaylar, oran 100 satır başına yanlış uyarılar Uyarısız kalışlar, yanlış uyarı ile (%) Doğru-uyarı uyarı süresi (saat)
MIMIC test
5 ham uyarı/100 satır
0,406 (0,394–0,417) 1,64 (1,58–1,71) 21,0 (20,3–21,7) 1,43 (0,44–3,10)
eICU-CRD
5 ham uyarı/100 satır
0,510 (0,507–0,514) 1,52 (1,51–1,54) 16,2 (16,0–16,4) 2,15 (1,02–3,84)
SICdb
5 ham uyarı/100 satır
0,275 (0,261–0,291) 1,51 (1,39–1,61) 17,1 (15,6–18,0) 2,28 (0,85–3,35)
MIMIC test
%80 ham duyarlılık
0,885 (0,854–0,906) 9,79 (8,87–10,61) 63,8 (60,1–67,1) 2,04 (0,74–3,48)
eICU-CRD
%80 ham duyarlılık
0,873 (0,869–0,877) 6,37 (6,25–6,49) 50,7 (50,1–51,3) 2,32 (1,07–3,93)
SICdb
%80 ham duyarlılık
0,883 (0,870–0,898) 12,84 (12,15–13,41) 86,9 (84,7–88,9) 2,33 (0,88–3,69)

6 saatlik baskılama sonrasında olay temelli uyarı performansı.

Tespit ve yük kayıtları, 100 ayrılmış split üzerinden medyan (IQR) değerleridir. Lead-time kayıtları, doğru tespit edilen olaylar içinde split içi medyanın (ilk ile üçüncü kvartil) split’ler üzerindeki medyanıdır; split medyanlarının bir IQR’i değildir. Yalnızca operasyonel pencere içinde tedavinin başlatılmasıyla sonuçlanan uyarılar tespit sayılır. Erken uyarılar, sonraki doğru-olumlu fırsatları baskılayabilir. Tam ham, yayılan ve yatış düzeyinde metrikler Ek Tablolar 8, 15 ve 17’de yer almaktadır.

Şekil 4

Hastane, uç nokta ve demografik heterojenlik

208 eICU hastanesi üzerinden hastane merkezli bootstrap işlemi HGB AUROC için 0.849 (95% IG 0.840–0.858) değerini vermiştir. Uygun olan 73 hastane arasında rastlantısal-etki CITL değeri 0.009 olup 95% tahmin aralığı −0.848 ile 0.867 arasındadır. İlgili eğim özeti 1.208’dir. Bu 73 hastane, 2.745.224 landmark’in 1.606.285’ini (%58.5) ve 6.352 olay-olumlu yatışın 5.897’sini (%92.8) katkıda bulunmuştur. Rastlantısal-etki özetleri seçilen bir hastane kümesi ve ters-varyans ağırlıkları kullanırken, birleştirilmiş tahmin tüm uygun landmark’leri kullanır; bu nedenle tahminler hem dahil edilen popülasyon hem de birleştirme açısından farklılık gösterir (Tablo 3, Ek Tablo 13B ve Ek Şekil S2).

Sadece norepinefrin içeren HGB AUROCs sırasıyla 0.756, 0.865, 0.697’dir; eşzamanlı ilk ajanlara izin verilmesi durumunda 0.756, 0.869, 0.698 olmaktadır. İlk ajan bileşimi ve uç nokta özgü sayılar birincil kohortlar için raporlanmıştır (Ek Tablo 10A,B).

Yaş ve kayıtlı cinsiyet alt grup analizleri keşif niteliğindedir ve model seçimi veya adalet çıkarımı için kullanılmamıştır. Tahminleri Ek Tablo 3’te raporlanmıştır; gruplar arası resmi bir hipotez testi belirlenmemiştir.

Post hoc estimand, uç nokta ve ölçüm hassasiyetleri

Tam 6 saatlik gözlemlenen yatırıma sahip alt kümede, sabit HGB modeli AUROCs değerleri olarak 0.763, 0.841, 0.685 elde etmiştir. Tek saat-6 ve eşit-toplam-yatış değerlendirme özetleri Ek Tablo 7’de raporlanmıştır. Bunlar, uyarlamış modelin kısıtlı popülasyon veya farklı ağırlıklı değerlendirmeleridir; tahmin-zamanındaki birincil risk kümesinin yerini almaz (Tablo 5).

Tablo 5

Analiz MIMIC test AUROC eICU-CRD AUROC SICdb AUROC
Birincil 0,770 0,849 0,695
Saatlik klinik-eylem açığı 0,748 0,841 0,677
Tam gözlemlenen 6 saatlik görünüm 0,763 0,841 0,685
Tek saat-6 işaret noktası 0,781 0,836 0,711
Laboratuvar yaşı ≤6 h 0,793 0,848 0,697
Laboratuvar yaşı ≤12 h 0,783 0,851 0,698
Sadece kullanılabilirlik lojistik modeli 0,634 0,636 0,523
Toplam yatan tedavi süresi için eşit ağırlıklandırma 0,827 0,876 0,755

HGB ayırt ediciliğine duyarlılık analizleri.

Tüm duyarlılık analizleri post hoc olarak yürütüldü. Klinik-eylem açığı HGB modeli ve sadece kullanılabilirlik lojistik modeli, kendi ilgili MIMIC girdileri kullanılarak uyarlandı; geri kalan satırlar sabit birincil HGB tahminlerini yeniden kullanmakta veya laboratuvar kullanılabilirliğini yeniden uyarlama olmadan değiştirmektedir. Sayılar, AUPRC, Brier ve tazelik kalibrasyonu Ek Tablolar 7, 11 ve 13A’da bildirilmektedir.

Eşitlenmiş işaret noktalarında, bireysel bir öngörücü için en büyük MIMIC-IV değişimi 3.503/1.232.887 hücreye (0,284%, altı saatlik ortalama arteriel basınç) ulaşırken, eICU-CRD girdileri değişmedi. SICdb’de zamanlama ve filtreleme düzeltmelerinden sonra 1.116.906 değişen öngörücü hücre vardı; 28 yaşam belirtisi öngörücüsü boyunca değişen hücrelerin oranı %35,0’dan (6 saatlik minimum SpO2) %99,5’e (6 saatlik ortalama kalp atım hızı) değişti. Laboratuvar öngörücü değişiklikleri en fazla yaklaşık %0,11 düzeyindeydi (66/58.756, BUN); yaş, kayıtlı cinsiyet ve işaret noktası saati değişmedi. Bunlar girdi hücre sayılarıdır, değişen tahmin olasılıkları veya hasta sayıları değildir (Ek Tablo 6).

eICU-CRD veri tabanında, çalışma düzeyindeki aralık kuralları, mevcut eksik olmayan laboratuvar kaynak gözlemlerinin en fazla %1,78’ini (kreatinin, 4.673/262.308) ve vital bulgular kaynak gözlemlerinin %1,22’sini (sıcaklık, 76.621/6.303.051) reddetmiştir. Bu yüzdeler, veri tabanı yayımlamadan önceki nihai öngörücü eksikliğini ya da çıkarılan gözlemleri değil, çalışma düzeyinde özetlemeden önceki çıkarılan kaynak kayıtlarını tanımlamaktadır (Ek Tablo 6).

Mevcut landmark düzeyindeki laboratuvar girdileri arasında, medyan ölçüm yaşları MIMIC-IV’te 11 testte 5,0–6,6 saat arasında ve eICU-CRD’de 3,0–7,5 saat arasında değişmektedir. SICdb’de medyanlar çoğu test için 1,7–1,8 saat, kreatinin, BUN ve WBC için ise 6,7–6,8 saat olarak bulunmuştur. Bu özetler, her test için mevcut girdileri paydaya almaktadır (Ek Tablo 11A). Laboratuvar yaşının altı saate sınırlandırılması MIMIC-IV, eICU-CRD ve SICdb’de sırasıyla 0,793, 0,848 ve 0,697 AUROC değerleri vermiş; 12 saatlik sınır 0,783, 0,851 ve 0,698 değerlerini vermiştir. Kalibrasyon ve eksiklik değişiklikleri bu tahminlerle birlikte raporlanmıştır (Ek Tablo 11B ve Ek Şekil S1). Bu yaş sınırlamaları, raporlama gecikmesini ya da geriye dönük tamamlamayı doğrulamaz.

1 saatlik klinik-aksiyon-aralığı modeli 0,748, 0,841 ve 0,677 AUROC değerlerine ulaşmıştır (Tablo 4). Çıkıştan kesilmiş olay dışı landmark’lara katkıda kalan yatışlar arasında, ölümle ilgili göstergeler 153/2.467, 1.720/65.633 ve 28/1.656 yatışta görülmüştür. MIMIC-IV göstergesi ICU’dan çıkış takvim tarihindeki ölüm iken, eICU kayıtlı birim çıkış durumunu, SICdb ise vaka kapanışına kadar ölümü kullanmıştır; bunlar yer değiştirilebilir tanımlar değildir. Ek Tablo 9, bu ayrıntıları ve mevcut çıkış destinasyonu verilerini raporlamaktadır.

Tartışma

Ana bulgular

Ana bulgu, ayrıştırıcının, olasılık doğruluğunun ve uyarı performansının farklı ortamlarda farklı şekilde davrandığıydı. HGB, eICU-CRD’de MIMIC-IV referans dönemi testine veya SICdb’ye kıyasla daha güçlü ayrıştırıcı özellik korudu. Kalibrasyon yönü, iki ABD kohortu ile SICdb arasında farklıydı. Yerel kalibrasyon olasılık hatasını değiştirdi, uyarı değerlendirmesi ise olay tespiti ile yanlış uyarı yükü arasında ayrı bir ödünleştirmayı ortaya koydu.

Nihai HGB modeli, uygun işaret noktalarının %1,63’ünün pozitif olduğu birleştirilmiş MIMIC-IV geliştirme ve seçim grupları üzerinde yeniden uyarlandı; bu oran MIMIC-IV referans dönemi test grubunda %0,76, eICU-CRD’de %0,98 ve SICdb’de %4,17 idi. Model, iki ABD kohortunda ortalamadan fazla tahminde bulundu (CITL −1,17 ve −0,61) ve SICdb’de az tahminde bulundu (CITL 0,35) (Tablo 3). CITL yön değişiminin yönü, model uyum verisine göre pozitif işaret noktası yaygınlığındaki farklılıklarla tutarlıydı; ancak yaygınlık değişimi tek başına dengesiz kalibrasyonun nedenini veya büyüklüğünü kanıtlamaz, çünkü CITL yalnızca kohort olay oranlarına değil, bireysel tahmini risklerin dağılımına bağlıdır. Resmi bir ayrıştırma değil, betimleyici bir karşılaştırma olarak, model uyum verisinden logit ölçeğinde yaygınlık farkı SICdb’de 0,97 ve MIMIC-IV test grubunda −0,78 iken, CITL değerleri 0,35 ve −1,17 idi. SICdb kohortu yalnızca iki yüksek düzey yoğun bakım ünitesine sınırlandırılmışken, MIMIC-IV ve eICU-CRD kohortları ünite türüne göre sınırlandırılmamıştı.

Uç nokta, değişmez bir fizyolojik olaydan ziyade belgelenmiş bir tedavi kararını yakaladığı için, aynı kaydedilen fizyolojik durum hastanelere farklı basıncı artırıcı ilaç başlatma olasılıklarıyla eşleşebilir. Bir merkez, belirli gözlemlenebilir durumda tiênatı başlatıyor veya kaydediyorsa, kaydedilen olay olasılığı model tahminini aşabilir ve alt tahmine yol açar; başlatma daha az sıklıkta veya eksik kaydediliyorsa, gözlemlenen olasılık daha düşük olur ve üst tahmine yol açar. Örnekler arasında, sedasyon veya anesteziye bağlı vazodilatasyonu dengelemek için daha erken veya düşük doz noradrenalin kullanımı, basıncı artırıcı ilaç başlatmadan önce sıvı ağırlıklı yaklaşım ve SICdb hasta veri yönetim sistemi ile grafiklendirilen eICU-CRD infüzyon kayıtları arasında kısa veya düşük doz infüzyonların kaydedilme biçimindeki farklılıklar yer alır. İlk kullanılan ajanın bileşimi, kohortlar arasında belgelenmiş ilk basıncı artırıcı ilaç seçiminde farklılıklar gösterdi: yalnız noradrenalin, MIMIC-IV test grubundaki olay-pozitif yatışların %72,78’ini, eICU-CRD’de %64,37’yi ve SICdb’de %97,12’yi oluştururken, yalnız fenilefrin iki ABD kohortunda sırasıyla %12,66 ve %14,52’yi, ancak SICdb’de %2,34’ü oluşturdu ve yalnız dopamin eICU-CRD’de %9,27’yi oluşturdu (Ek Tablo 10A). Bu mekanizmalar klinik olarak makuldür ancak doğrudan ölçülmemiştir; ilk ajan oranları, başlatma eşikleri, tedavi göstergeleri, doz veya ortalama arteriel basıncı hedefleri arasındaki farklılıkları ortaya koyamaz.

Ayrıca, bu tersliğin basit bir ABD-ABD farkı olarak yorumlanıp yorumlanamayacağını da değerlendirdik. eICU-CRD içindeki hastane düzeyinde geniş CITL tahmin aralığı (73 uygun hastanede −0,85 ile 0,87 arasında ve SICdb tahminini içeren), ABD hastaneleri arasında önemli heterojenite göstermekte ve tersliğin yalnızca bir ABD-AB pratiği farkına bağlanmasına karşı uyarmaktadır (Tablo 3). SICdb tek bir Avusturya hastanesini temsil etmekte ve tüm Avrupa için temsilci sayılamaz. Kalibrasyon eğimleri sırasıyla MIMIC-IV test grubunda 0,71, eICU-CRD’de 1,01 ve SICdb’de 0,73 olarak bulundu. Eğimin bire yakın olduğu eICU-CRD’de, yalnızca kesim noktası güncellemesi, tam güncellemeyle aynı ortanca Brier becerisini (0,025) elde etti; bu, çoğunlukla ortanca risk düzeyindeki bir kaymaya işaret etmektedir. SICdb’de ise yalnızca kesim noktası güncellemesi, kalibre edilmemiş modele göre ortanca Brier becerisini iyileştirmedi (0,021’e karşı 0,023), tam kesim noktası ve eğim güncellemesi bunu 0,028’e çıkardı (Ek Tablo 4B). Dolayısıyla SICdb’ye taşınma, hem ortanca risk düzeyini hem de hastalar arasında riskin ölçeklenmesini içermektedir.

Bu bulgular, dışsal geçerliliğin mutlak ve göreceli kalibrasyon bozukluğunu karakterize etmek için yerel olay ve pozitif işaretleme yaygınlığını, gözlemlenen ve ortanca tahmin edilen riski ile hem CITL’i hem de kalibrasyon eğimini bildirmesi gerektiğini göstermektedir. Katmanlı ve olgu karmaşına göre düzeltilmiş analizler, ölçülen hasta özelliklerinin katkısını nicelendirmeye yardımcı olabilirken, geride kalan farkları incelemek için tedavi eşikleri ve belgeleme süreçleri hakkında ek bilgi gerekecektir. Sabit bir eşik uygulanmadan önce alert yükü de değerlendirilmelidir. Gelecek çalışmalar çok hastaneli ve çok ülkeli veri kullanmalı, yerel tedavi ve belgeleme pratiklerini kaydetmeli ve belgilenmiş tedavi başlangıcı ile fizyolojik bozulmayı önceden belirlenmiş fizyolojik veya bileşik uç noktalar izlenerek ayırt etmeli; ardından bağımsız geçerlilik yapılmalıdır. Yerel kalibrasyon, orijinal modelin doğrudan uygulanabilir olduğuna dair kanıt olarak değil, ayrı geçerlilik gerektiren bir değerlendirme ve uygulama adımı olarak ele alınmalıdır.

eICU-CRD için hesaplanan 0.849 AUROC değeri, klinik açıdan kabul edilebilir bir uyarı politikasını ortaya koymadı. %80 ham landmark duyarlılığını hedefleyen eşik altında, altı saatlik baskılama uygulanmasına rağmen serbest eICU-CRD kalışlarının %50.7’si en az bir yanlış uyarı aldı. Karşılıklı oranlar MIMIC-IV için %63.8, SICdb için %86.9 olarak bulundu. Medyan yayılan uyarı pozitif prediktif değerleri, 100 ayrı tutulan bölütle karşılaştırıldığında sırasıyla MIMIC-IV için %1.7, eICU-CRD için %3.1 ve SICdb için %6.1 olarak ölçüldü (Ek Tablo 8). Yeniden kalibrasyon sonrasında görülen mütevazı olasılık becerisiyle birlikte bu bulgular, iyi ayrıştırma yeteneğinin tek başına operasyonel uygunluğu sağlayamayacağını açıklıyor. Yerel uygunluğun değerlendirilmesi, AUROC’nun tek başına kaçırabileceği sonuçlu hataları belirlemek için kalibrasyon, yayılan uyarı pozitif prediktif değeri, olay tespiti ve yanlış uyarı yükünü incelemelidir.

Birincil risk kümesi, bir tahmin fırsatını gelecekteki ICU kalış süresine göre seçmeyi ortadan kaldırır. Erken çıkışların korunması, güncel bakım dönemi içinde operasyonel bir sonlandırma tanımlar; ancak tedavi edilmemiş bir çıkış fizyolojik stabilite anlamına gelmez. Ölüm, tedavi sınırlandırması, transfer ve rutin taburculuk gözlemi belgelenmiş bir başlatma olmadan sonlandırabilir. Bu yollar arasındaki farklar, veri tabanları arasındaki performans farklılıklarına katkıda bulunabilir. Taburculuk denetimi, gözlemlenebilir bileşenleri betimlerken ölümü vasopressör başlatması olarak değerlendirmez ve bilgi içermeyen sansürlemeyi varsaymaz.

Sadece norepinefrin ve ilk başta norepinefrin duyarlıkları benzer bir sıralama deseni ürettiği için ana sonucun yalnızca tek bir ajan tanımlamasıyla yönlendirilmiş olabileceğine dair endişe azalır. Bu, tedavi uygulaması, ilaç erişimi veya belgelemeden kaynaklanan karışıklığı ortadan kaldırmaz; kaydedilen başlatma ile fizyolojik ihtiyaç birbirinden ayrıdır.

Önceki çalışmalarla ilişki

Önceki vazoaktif ilaç ve hemodinamik tahmin çalışmaları popülasyon, hedef, tahmin ufku ve değerlendirme ortamı bakımından farklılık gösterir. Bu çalışma, aday-model özelliklerinin, operasyonel sonucun, olasılık ölçülerinin ve yayılan uyarı tanımlarının açıkça belirtildiği bir karşılaştırmaya katkı sağlar. Katkısı, veri tabanları arası ayırt ediciliğin, yerel olasılık kalibrasyonunun ve tekrarlı uyarı baskılama uygulandığında ortaya çıkan sonuçların birlikte değerlendirilmesidir.

MIMIC-IV referans dönemi gruplandırması hastaları ayırmış olsa da, yatışların kesin kronolojik ayrımını kurmamıştır. Buna göre, grupları arasındaki farklar yalnızca zaman içindeki değişime bağlanamaz. Dış veri tabanları karşılaştırmaları, veri ve bakım ortamlarının farklı alanlarında aktarımı ele alır; tek bir Avusturya merkezi sınırlı bir ek ortam sağlar.

Model değerlendirme ve kullanımı için sonuçlar

HGB, düzenli lojistik regresyona göre mütevazı sıralama artışları sağlamış, ancak iki algoritma da kalibrasyon farklarından kaçınmamıştır. Brier-beceri analizi, bir modelin sonuçları şansın üzerinde sıralayabildiği halde mutlak olasılık hatasında sabit yaygınlık öngörüsünden daha kötü performans gösterebileceğini göstermiştir. Dolayısıyla algoritma seçimi, yerel kalibrasyon ve açıkça tanımlanmış bir operasyonel politikanın gerekliliğini ortadan kaldırmamıştır.

Politika analizi, olay tespiti ile saatlik tekrarlayan tahminlerin ayrı paydaya ihtiyaç nedenini açıklar. Bir olay, birkaç pozitif saatlik kayıt üretebilir; oysa 6 saatlik baskılama, bu olay penceresinde en fazla doğru bir yayılan uyarıya izin verir. Dolayısıyla yayılan doğru pozitif uyarıların pozitif saatlere oranının düşük olması, düşük olay tespitini zorunlu kılmaz. Olay temelli sonuçlar, daha yüksek tespitinin, dinlenimsiz yatışların önemli bir oranında yanlış uyarılarıyla birlikte geldiğini göstermiştir. Kaydedilen öncelik süreleri yalnız doğru tespit edilen olayları tanımlar ve kaçırılan olaylar ile yanlış uyarılarla birlikte yorumlanmalıdır.

Yaş ve kayıtlı cinsiyet tahminleri keşif niteliğindeydi ve adililik lehinde veya aleyhinde kanıt olarak yorumlanmamalıdır. Gelecekte bir uygulama çalışması, yerel açıdan uygun demografik tanımlar, yeterli alt grup örneklem boyutları ve kalibrasyon, uyarı yükü ile sonuçların değerlendirmesi gerektirir.

Sınırlamalar

Model, 6. saatte tedavi görmeyen hastalar olarak ICU/bölümde kalan hastalara ve 6. saatten 24. saate kadar geçerli referans noktalarına uygulanır. 6. saatte veya 6. saatten önce başlayan, 6. saatte biten hedef vazoaktif tedavi hastalarını ya da 24. saatten sonrası tahmini değerlendirmez. Sonuç, fizyoloşik şok veya tedavi ihtiyacı değil, belgilenmiş tedaviydi. Erken çıkışlar farklı klinik seyirler içeriyordu; hedef bakım, huzur bakımı veya tedavi sınırlamasına ilişkin bilgiler tam olarak uyumlu kılınamadı ve mevcut birimden ayrıldıktan sonraki tedavi kaydedilmedi. Önceden yürütülen dış sonuç maruziyeti, prospektif körlemeye dayalı geçerlilik iddiasını engeller; MIMIC-IV bölütmeleri kesin kronolojik kabul grupları değil, referans dönemi gruplarıydı. SICdb saatlik pencerelerinin tamamlanması ve laboratuvar yaşının düzeltilmesi, tanımlanabilir zamanlama sorunlarını giderdi, ancak her değerin canlı bir klinik sistemde ne zaman mevcut olduğu kanıtlanmadı. Yeniden kalibrasyon, eşik politikaları ve diğer hassasiyet analizleri post hoc olarak gerçekleştirildi.

Kaynak tabloları farklı önişleme geçmişlerine sahiptir. Çalışma-giriş aşamasında yapılan aralık kontrolleri, yayımlanmış bir SICdb saatlik ortalamasının içinde gizlenen geçersiz dakikalık değerleri geri getiremez veya veritabanı oluşturucuları tarafından kaldırılan gözlemleri geri getiremez. eICU-CRD’de kaynak-red denetimi çıkarma kurallarımızı nicelendirse de, veritabanı yayımlanmadan önce elenen gözlemleri geri getiremez; dolayısıyla nihai eksiklik de gözlemlenmeyen önişlemeyi yansıtır. eICU hastane etkileri heterojendi, hastaneleri rastgele bir ABD örneği değildi ve hastaneye girişler arasında kalıcı bir kişi tanımlayıcısı içermiyordu. SICdb, tek bir Avusturya hastanesinden elde edilen 3.997 hastaneye yatıştan oluşuyordu ve ulusal veya Avrupa düzeyinde taşınabilirliği kanıtlayamaz. Klinik hekim muhakemesi, canlı iş akışı çalışması, alarm yorgunluğu değerlendirmesi veya hasta sonucu deneyi ile hiçbir karşılaştırma yapılmadı.

Gelecek değerlendirmeleri

Değerlendirilen model ve politika, klinik kullanıma hazır değildir. Yapılacak çalışmalar önce, kalibrasyon, yayılan alarmın pozitif prediktif değeri, olay tespiti ve hatalı alarm yükü için klinik açıdan müdahale edilebilir sonuçlar ve önceden tanımlanmış kabul edilebilirlik kriterleri belirlemelidir. Aday modeller ve politika, bu kriterlere karşı bağımsız değerlendirme verilerinde siteye özgü çevrimdışı değerlendirmeden geçirilmelidir. Yalnızca tatmin edici çevrimdışı performans gösterildikten sonra, prospektif sessiz değerlendirme düşünülebilir. Sessiz değerlendirmede alarmlar hekimlere gösterilmez ve bakımı etkilemez. Bu aşama, gerçek zamanlı özellik kullanılabilirliğini, raporlama gecikmesini, ölçüm tazeliğini, eksikliği, kalibrasyon kaymasını ve öngörülen alarm yükünü değerlendirmelidir. Takip eden klinik değerlendirme, önceden tanımlanmış bir yanıt yolunu usual değerlendirme ile karşılaştırır ve bunun kabul edilemez bir iş yükü veya zarar olmadan bakımı iyileştirip iyileştirmediğini belirler.

Sonuç

Model, üç kritik bakım veritabanında farklı ayırt edicilik, kalibrasyon ve uyarı performansı gösterdi. Yerel olasılık güncelleme ve olay temelli politika değerlendirmesi, AUROC’nun tek başına yakalayamadığı bilgileri sağladı. Değerlendirilen model ve uyarı politikaları klinik uygulamaya hazır değil. Herhangi bir prospektif sessiz değerlendirmeden önce, önceden belirlenmiş klinik uç noktalar ve uyarı kabul edilebilirliği kriterleri açısından çevrimdışı değerlendirme yapılmalıdır.

Açıklamalar

Veri erişilebilirliği açıklaması

Bu çalışmada sunulan veri setleri çevrimdışı veri havuzlarında bulunabilir. Havuz/havuzların adları ve erişim numarası(ları) makalede/Ek Malzeme’de yer almaktadır.

Ahlak açıklaması

Bu geriye dönük çalışma, tamamen anonimleştirilmiş ve halka açık kritik bakım veritabanlarının (MIMIC-IV, eICU-CRD ve SICdb) ikincil analizinden oluştuğu için insanlarla yapılan çalışmalarda etik onay gerekmedi. Tanımlanabilir hasta bilgileri veya hastalarla doğrudan temas yer almadı ve kurumsal politika kapsamında ek etik inceleme veya aydınlatılmış onay gerekmedi. Ulusal mevzuat ve kurumsal gereklilikler doğrultusunda, geriye dönük çalışmanın MIMIC-IV, eICU-CRD ve SICdb veritabanlarından tamamen anonimleştirilmiş verilerin ikincil analizini içermesi nedeniyle aydınlatılmış onay gerekmemesi sebebiyle, katılımcılardan veya katılımcıların yasal veli/akrabaından katılım için yazılı aydınlatılmış onay gerekmedi. Doğrudan hastayla temas veya tanımlanabilir kişisel bilgiler yer almadı.

Yazar katkıları

XX: Araştırma, Metodoloji, Kaynaklar, Görselleştirme, Yazım – taslak, Yazım – inceleme ve düzenleme. TC: Kavramsal tasarım, Veri düzenleme, Biçimsel analiz, Araştırma, Proje yönetimi, Yazım – inceleme ve düzenleme. PS: Kavramsal tasarım, Biçimsel analiz, Metodoloji, Yazım – taslak. ZL: Araştırma, Metodoloji, Yazılım, Gözetim, Yazım – inceleme ve düzenleme. FY: Proje yönetimi, Kaynaklar, Gözetim, Yazım – taslak. CB: Veri düzenleme, Araştırma, Metodoloji, Gözetim, Yazım – inceleme ve düzenleme. CC: Araştırma, Proje yönetimi, Doğrulama, Yazım – inceleme ve düzenleme. JS: Kavramsal tasarım, Veri düzenleme, Metodoloji, Proje yönetimi, Yazım – taslak, Yazım – inceleme ve düzenleme.

Fonlandırma

Yazar(lar), bu çalışmanın ve/veya yayının finansal destek aldığını beyan etmiştir. Bu çalışma; Hangzhou Biyomedikal ve Sağlık Sanayi Gelişimi Destek Teknolojisi Özel Projesi (2021WJCY002), Zhejiang Tıp Derneği Klinik Tıp Araştırma Projesi (2018ZYC-A39), Zhejiang Geleneksel Çin Tıbbı İdaresi (2023ZR040), Zhejiang Tıp Derneği Fonu (2023ZYC-A13), Zhejiang Tıp Üniversitesi’ne bağlı Hangzhou Geleneksel Çin Tıbbı Hastanesi Hastane Seviyesi Fonu (YJ202305) ve Hangzhou Tıbbi Ana Disiplinlerin Kurulum Fonu (2020SJZDXK06) tarafından desteklenmiştir.

Teşekkür

Yazarlar, MIMIC-IV, eICU-CRD, SICdb ve PhysioNet’in geliştirilmesini ve sürdürülmesinden sorumlu ekiplere teşekkür ederler.

Çıkar çatışması

Yazar(lar), bu çalışmanın ticari veya olası bir çıkar çatışması olarak değerlendirilebilecek herhangi bir finansal ilişki olmadan yürütüldüğünü beyan etmiştir.

Üretken yapay zeka beyanı

Yazar(lar), bu metnin hazırlanmasında üretken yapay zeka kullanılmadığını beyan etmiştir.

Bu makalede şekillerle birlikte sağlanan alternatif metin (alt text) Frontiers tarafından yapay zekânın desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların da katkısıyla 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 temsil etmez. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

Ekleme materiali

Bu makalenin Ekleme Materiali çevrimiçi olarak şu adreste bulunabilir: https://www.frontiersin.org/articles/10.3389/fmed.2026.1993720/full#supplementary-material

  • 1.

    DuvalLVilliéAZhengFTerrazGBleinSDuperchyE et al. An interpretable EHR-based ML modeli kullanarak ICU sepsis hastalarında vazoressör başlatmanın erken tahmini. BMC Med Inform Decis Mak. (2025) 25:442. 10.1186/s12911-025-03274-3

  • 2.

    KwakGHLingLHuiP. Dikkat temelli derin öğrenme modeli kullanarak yoğun bakım ünitesinde vazoressör gereksiniminin tahmini. Shock. (2021) 56(1):73–9. 10.1097/SHK.0000000000001692

  • 3.

    HolderALShashikumarSPWardiGBuchmanTGNematiS. ICU’da sepsisle ilişkili vazoressör kullanımını tahmin etmek için yerel olarak optimize edilmiş veriye dayalı bir araç. Crit Care Med. (2021) 49(12):e1196–205. 10.1097/CCM.0000000000005175

  • 4.

    Rahman A, Chang Y, Dong J, Conroy B, Natarajan A, Kinoshita T ve diğerleri. Makine öğrenimini kullanarak yoğun bakımda hemodinamik müdahalelerin erken tiênozu. Crit Care. (2021) 25:388. 10.1186/s13054-021-03808-x

  • 5.

    Zhang Z, Celi L, Ho K. Merkezi venöz kateterizasyon gerektiren uzun süreli vazopressör infüzyon gereksiniminin tiênozu: kritik bakımda yanan bir konu. Anaesth Intensive Care. (2021) 49(4):250–2. 10.1177/0310057X211030927

  • 6.

    Kim D, Park J, Hwang S, Jeong D, Lee G, Kim T ve diğerleri. Şüpheli enfeksiyonu olan hipotansif hastalarda vazopressor gereksiniminin tiênozu: diyastolik şok indeksi ve laktatın yararlılığı. Clin Exp Emerg Med. (2022) 9(3):176–86. 10.15441/ceem.22.324

  • 7.

    Jeong D, Choi M, Maeng S, Yoon H, Park J, Lee G ve diğerleri. Yaşam işaretleri ve laktat düzeylerinin makine öğrenimine dayalı kümelemeleri, sepsis hastalarında vazopressör kullanımını öngörür. Clin Exp Emerg Med. (2026). [Epub ahead of print]. 10.15441/ceem.25.247

  • 8.

    Chiang D, Tian C, Jiang Z, Ou-Yang Y, Lin Y. Yoğum bakımda hemodinamik kararsızlığı öngören makine öğrenimi modelinin dışsal geçerliliği. Crit Care. (2022) 26:215. 10.1186/s13054-022-04088-9

  • 9.

  • 10.

  • 11.

    Goh K H, Wang L, Yeow A Y K, Poh H, Li K, Yeow J J L, ve diğerleri. Sağlık hizmetlerinde yapılandırılmamış veriler kullanılarak sepsiste yapay zeka ile erken tahmin ve tanı. Nat Commun. (2021) 12:711. 10.1038/s41467-021-20910-4

  • 12.

    Moor M, Bennett N, Plečko D, Horn M, Rieck B, Meinshausen N, ve diğerleri. Uluslararası merkezlerde derin öğrenme ile sepsis tahmini: geriye dönük geliştirme ve doğrulama çalışması. EClinicalMedicine. (2023) 62:102124. 10.1016/j.eclinm.2023.102124

  • 13.

    Yuan W, Beaulieu-Jones B K, Yu K-H, Lipnick S, Palmer N, Loscalzo J, ve diğerleri. Olgu-kontrol tasarımında zaman önyargısı: geleceğin güvenilir tahminlerinin önlenmesi. Nat Commun. (2021) 12:1107. 10.1038/s41467-021-21390-2

  • 14.

    Wong A, Donnelly J, Pumm M, McCullough J, De Troyer-Cooley O ve ark. Hastanede yatan hastalarda yaygın olarak uygulanan özel bir sepsis tahmin modelinin dışsal geçerliliğinin değerlendirilmesi. JAMA Intern Med. (2021) 181(8):1065–70. 10.1001/jamainternmed.2021.2626

  • 15.

    Debray T, Vergouwe Y, Koffijberg H, Nieboer D, Steyerberg E, Moons KGM. Klinik tahmin modellerinin dışsal geçerlilik çalışmalarının yorumlanmasını geliştirmeye yönelik yeni bir çerçeve. J Clin Epidemiol. (2015) 68(3):279–89. 10.1016/j.jclinepi.2014.06.018

  • 16.

    Van Calster B, McLernon D, Van Smeden M, Wynants L, Steyerberg E. Kalibrasyon: prediktif analitiğin Akil toprağı. BMC Med. (2019) 17(1):230. 10.1186/s12916-019-1466-7

  • 17.

    Steyerberg E, Harrell F Jr. Tahmin modelleri uygun iç, iç-dışsal ve dışsal geçerlilik gerektirir. J Clin Epidemiol. (2016) 69:245–7. 10.1016/j.jclinepi.2015.04.005

  • 18.

    Steyerberg E, Vickers A, Cook N, Gerds T, Oonen M, Obuchowski N ve ark. Tahmin modellerinin performansının değerlendirilmesi: Geleneksel ve yeni ölçümler için bir çerçeve. Epidemiology. (2010) 21(1):128–38. 10.1097/EDE.0b013e3181c30fb2

  • 19.

    Collins GS, Moons KGM, Dhiman PR, Riley RD, Beam AL, Van Calster B ve diğerleri. TRIPOD + AI bildirgesi: Regresyon veya makine öğrenimi yöntemleri kullanan klinik tahmin modellerinin raporlanması için güncellenmiş rehber. Br Med J. (2024) 385:e078378. 10.1136/bmj-2023-078378

  • 20.

    Collins GS, Reitsma JB, Altman DG, Moons KGM. Bireysel prognoz veya tanı için çok değişkenli bir tahmin modelinin şeffaf raporlanması (TRIPOD): TRIPOD bildirgesi. Br Med J. (2015) 350:g7594. 10.1136/bmj.g7594

  • 21.

    Wolff RF, Moons KGM, Riley RD, Whiting PF, Westwood M, Collins GS ve diğerleri. PROBAST: Tahmin modeli çalışmalarının yanlılık riski ve uygulanabilirliğini değerlendirmek için bir araç. Ann Intern Med. (2019) 170(1):51–8. 10.7326/M18-1376

  • 22.

    Debray TPA, Collins GS, Riley RD, Snell KI, Van Calster B, Reitsma JB ve diğerleri. Küme veri kullanılarak geliştirilen veya doğrulanan çok değişkenli tahmin modellerinin şeffaf raporlanması: TRIPOD-Cluster kontrol listesi. Br Med J. (2023) 380:e071018. 10.1136/bmj-2022-071018

  • 23.

    Johnson AE, Bulgarelli L, Shen L, Gayles A, Shammout A, Horng S ve diğerleri. MIMIC-IV: Serbest erişilebilir bir elektronik sağlık kaydı veri seti. Sci Data. (2023) 10:1. 10.1038/s41597-022-01899-x

  • 24.

    Johnson A, Bulgarelli L, Pollard T, Gow B, Moody B, Horng S. MIMIC-IV (sürüm 3.1) [veri seti]. PhysioNet (2024). Çevrimiçi erişim: https://physionet.org/content/mimiciv/3.1/ (Erişim tarihi: 10 Ağustos 2026).

  • 25.

    Pollard TJ, Johnson AE, Raffa JD, Celi LA, Mark RG, Badawi O. eICU işbirlikli araştırma veritabanı: kritik bakım araştırmaları için özgür erişilebilir çok merkezli bir veritabanı. Sci Data. (2018) 5:180178. 10.1038/sdata.2018.178

  • 26.

    Pollard TJ, Johnson A, Raffa JC, Celi LA, Badawi O, Mark R. eICU işbirlikli araştırma veritabanı (sürüm 2.0) [veri seti]. PhysioNet (2019). Çevrimiçi erişim: https://physionet.org/content/eicu-crd/2.0/ (Erişim tarihi: 12 Ağustos 2026).

  • 27.

    Rodemund N, Wernly B, Jung C, Cozowicz C, Koköfer A. Salzburg yoğun bakım veritabanı (SICdb): açık erişimli bir kritik bakım veri seti. Intensive Care Med. (2023) 49(6):700–2. 10.1007/s00134-023-07046-3

  • 28.

    Rodemund N, Kokoefer A, Wernly B, Cozowicz C. Salzburg yoğun bakım veritabanı (SICdb), özgür erişilebilir bir bakım veritabanı (sürüm 1.0.8) [veri seti]. PhysioNet (2024). Çevrimiçi erişim: https://physionet.org/content/sicdb/1.0.8/ (Erişim tarihi: 15 Ağustos 2026).

  • 29.

    Vickers AJ, Elkin EB. Karar eğrisi analizi: tahmin modellerini değerlendirmek için yeni bir yöntem. Med Decis Making. (2006) 26(6):565–74. 10.1177/0272989X06295361

  • 30.

    Kerr KF, Brown MD, Zhu K, Janes H. Karar eğrileriyle risk tahmin modellerinin klinik etkisinin değerlendirilmesi: doğru yorumlama ve uygun kullanım için rehber. J Clin Oncol. (2016) 34(21):2534–40. 10.1200/JCO.2015.65.5654

Özet

Anhtar kelimeler

kalibrasyon, klinik tahmin modeli, yoğun bakım, makine öğrenimi, taşınabilirlik, vazopressör başlangıcı

Atıf

Xu X, Chen T, Shu P, Liu Z, Ying F, Bao C, Chen C ve Sun J (2026) Sürekli vazopressör başlangıcını belgeleyen saatlik modelin taşınabilirliği, kalibrasyonu ve uyarı yükü: geriye dönük üç veritabanı çalışması. Front. Med. 13:1993720. doi: 10.3389/fmed.2026.1993720

Müracaat tarihi

09 Eylül 2026

Revize edilme tarihi

19 Ekim 2026

Kabul tarihi

26 Ekim 2026

Yayınlanma tarihi

13 Kasım 2026

Cilt

13 – 2026

Federico Aletti, Faculdade Israelita de Ciências da Saúde Albert Einstein, Israelita Albert Einstein Hastanesi, Brezilya

Maximilian Oremek, Bonn Üniversite Hastanesi, Almanya

Cristian Drudi, Milano Politeknik Üniversitesi, İtalya

© 2026 Xu, Chen, Shu, Liu, Ying, Bao, Chen ve Sun.

Bu, Creative Commons Atıf Lisansı (CC BY) koşulları altında erişime açık bir makaledir. Orijinal yazar(lar)ın ve telif hakkı sahibinin(lerin) belirtilmesi ve kabul edilen akademik uygulamalar doğrultusunda bu dergideki orijinal yayının atıf edilmesi şartıyla, diğer forumlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma izinlidir.

*İletişim: Jing Sun sj524258755@163.com

†
Bu yazarlar bu çalışmaya eşit katkıda bulunmuş ve ilk yazarlığı paylaşmıştır

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

Frontiers | Transportability, calibration, and alert burden of an hourly model for documented continuous vasopressor initiation: a retrospec
Frontiers | Transportability, calibration, and alert burden of an hourly model for documented continuous vasopressor initiation: a retrospec
İlginizi Çekebilir: Kalp Hastalığı Ciddi Seviyede Olan Hastalarda Venojarterial Ekstrakorporeal Membran Oksijenasyon Desteği ve Troponin I Arasındaki İlişki →
Kaynak: Frontiersin ↗
BENZER İNCELEMELER

İlgili Diğer Rehberler