Quantifying immune dysregulation in pneumonia and sepsis with a parsimonious machine-learning model: a multicohort analysis across care settings and reanalysis of a hydrocortisone randomised controlle
2 months ago
- #immunomodulation
- #sepsis
- #machine-learning
- 本研究旨在通过简约的机器学习模型量化肺炎和脓毒症患者的免疫失调程度
- 采用多队列分析方法，覆盖急诊科、普通病房和重症监护室等不同诊疗场景
- 通过重新分析氢化可的松随机对照试验(CAPE COD试验)，评估基于免疫失调分期的治疗效果
- 基于三种生物标志物(降钙素原、可溶性TREM-1和IL-6)的机器学习框架可准确预测免疫失调分期和连续评分(cDIP)
- 研究发现免疫失调程度加重与死亡率升高和继发感染相关，且独立于临床严重程度
- 氢化可的松仅对模型判定为严重免疫失调的患者显示出生存获益，该组患者免疫恢复更快
- 该研究为脓毒症和肺炎的精准免疫调节治疗提供了公开可用的三生物标志物评估框架