include hemodynamic monitoring in sepsis and septic shock, delirium, and outcome study for critically ill patients.

Multiple imputation (MI) is an advanced technique for handing missing values. It is superior to single imputation in that it takes into account uncertainty in missing value imputation. However, MI is underutilized in medical literature due to lack of familiarity and computational challenges. The article provides a step-by-step approach to perform MI by using R multivariate imputation by chained equation (MICE) package. The procedure firstly imputed m sets of complete dataset by calling mice() function. Then statistical analysis such as univariate analysis and regression model can be performed within each dataset by calling with() function. This function sets the environment for statistical analysis. Lastly, the results obtained from each analysis are combined by using pool() function.

major research interests include hemodynamic monitoring in sepsis and septic shock, delirium, and outcome study for critically ill patients.

As a global pandemic, COVID-19 has aroused great concern in the last few months and a growing number of related researches have been published. Therefore, a bibliometric analysis of these publications may provide a direction of hot topics and future research trends.The global literatures about COVID-19 published between 2019 and 2020 were scanned in the Web of Science collection database. "COVID-19" "Novel Coronavirus" "2019-nCoV" and "SARS-CoV-2" were used as the keywords to reach the relevant publications. VOSviewer was applied to perform the bibliometric analysis of these articles.Totally 3,626 publications on the topic of COVID-19 were identified and "COVID-19" with a total link strength of 2,649 appeared as the most frequent keyword, which had a strong link to "pneumonia" and "epidemiology". The mean citation count of the top 100 most cited articles was 96 (range, 26-883). Most of them were descriptive studies and concentrated on the clinical features. The highest-ranking journal was British medical journal with 211 publications and the most cited journal was Lancet with 2,485 citation counts. Eleven articles written by Christian Drosten from Berlin Institute of Virology have been cited for 389 times and 40 articles from Chinese Academy of Sciences have been cited for 1,597 times which are the most cited author and organization. The number of collaborators with China is 44 and the total link strength is 487. The main partners of China are USA, England and Germany. The published literatures have focused on three topics: disease management, clinical features and pathogenesis.The current growth trends predict a large increase in the number of global publications on COVID-19. China made the most outstanding contribution within this important field. Disease treatment, spike protein and vaccine may be hotspots in the future.

Logistic regression is one of the most commonly used models to account for confounders in medical literature. The article introduces how to perform purposeful selection model building strategy with R. I stress on the use of likelihood ratio test to see whether deleting a variable will have significant impact on model fit. A deleted variable should also be checked for whether it is an important adjustment of remaining covariates. Interaction should be checked to disentangle complex relationship between covariates and their synergistic effect on response variable. Model should be checked for the goodness-of-fit (GOF). In other words, how the fitted model reflects the real data. Hosmer-Lemeshow GOF test is the most widely used for logistic regression model.

Complete case analysis is widely used for handling missing data, and it is the default method in many statistical packages. However, this method may introduce bias and some useful information will be omitted from analysis. Therefore, many imputation methods are developed to make gap end. The present article focuses on single imputation. Imputations with mean, median and mode are simple but, like complete case analysis, can introduce bias on mean and deviation. Furthermore, they ignore relationship with other variables. Regression imputation can preserve relationship between missing values and other variables. There are many sophisticated methods exist to handle missing values in longitudinal data. This article focuses primarily on how to implement R code to perform single imputation, while avoiding complex mathematical calculations.

Excess fluid balance in acute kidney injury (AKI) may be harmful, and conversely, some patients may respond to fluid challenges. This study aimed to develop a prediction model that can be used to differentiate between volume-responsive (VR) and volume-unresponsive (VU) AKI. AKI patients with urine output < 0.5 ml/kg/h for the first 6 h after ICU admission and fluid intake > 5 l in the following 6 h in the US-based critical care database (Medical Information Mart for Intensive Care (MIMIC-III)) were considered. Patients who received diuretics and renal replacement on day 1 were excluded. Two predictive models, using either machine learning extreme gradient boosting (XGBoost) or logistic regression, were developed to predict urine output > 0.65 ml/kg/h during 18 h succeeding the initial 6 h for assessing oliguria. Established models were assessed by using out-of-sample validation. The whole sample was split into training and testing samples by the ratio of 3:1. Of the 6682 patients included in the analysis, 2456 (36.8%) patients were volume responsive with an increase in urine output after receiving > 5 l fluid. Urinary creatinine, blood urea nitrogen (BUN), age, and albumin were the important predictors of VR. The machine learning XGBoost model outperformed the traditional logistic regression model in differentiating between the VR and VU groups (AU-ROC, 0.860; 95% CI, 0.842 to 0.878 vs. 0.728; 95% CI 0.703 to 0.753, respectively). The XGBoost model was able to differentiate between patients who would and would not respond to fluid intake in urine output better than a traditional logistic regression model. This result suggests that machine learning techniques have the potential to improve the development and validation of predictive modeling in critical care research.

Introduction: This study bridges traditional remedies and modern pharmacology by exploring the synergy between natural compounds and Ceritinib in treating Non-Small Cell Lung Cancer (NSCLC), aiming to enhance efficacy and reduce toxicities. Methods: Using a combined approach of computational analysis, machine learning, and experimental procedures, we identified and analyzed PD173074, Isoquercitrin, and Rhapontin as potential inhibitors of fibroblast growth factor receptor 3 (FGFR3). Machine learning algorithms guided the initial selection, followed by Quantitative Structure-Activity Relationship (QSAR) modeling and molecular dynamics simulations to evaluate the interaction dynamics and stability of Rhapontin. Physicochemical assessments further verified its drug-like properties and specificity. Results: Our experiments demonstrate that Rhapontin, when combined with Ceritinib, significantly suppresses tumor activity in NSCLC while sparing healthy cells. The molecular simulations and physicochemical evaluations confirm Rhapontin’s stability and favorable interaction with FGFR3, highlighting its potential as an effective adjunct in NSCLC therapy. Discussion: The integration of natural compounds with established cancer therapies offers a promising avenue for enhancing treatment outcomes in NSCLC. By combining the ancient wisdom of natural remedies with the precision of modern science, this study contributes to evolving cancer treatment paradigms, potentially mitigating the side effects associated with current therapies.

Background Sepsis is a heterogeneous syndrome, and enrollment of more homogeneous patients is essential to improve the efficiency of clinical trials. Artificial intelligence (AI) has facilitated the identification of homogeneous subgroups, but how to estimate the uncertainty of the model outputs when applying AI to clinical decision-making remains unknown. Objective We aimed to design an AI-based model for purposeful patient enrollment, ensuring that a patient with sepsis recruited into a trial would still be persistently ill by the time the proposed therapy could impact patient outcome. We also expected that the model could provide interpretable factors and estimate the uncertainty of the model outputs at a customized confidence level. Methods In this retrospective study, 9135 patients with sepsis requiring vasopressor treatment within 24 hours after sepsis onset were enrolled from Beth Israel Deaconess Medical Center. This cohort was used for model development, and 10-fold cross-validation with 50 repeats was used for internal validation. In total, 3743 patients with sepsis from the eICU Collaborative Research Database were used as the external validation cohort. All included patients with sepsis were stratified based on disease progression trajectories: rapid death, recovery, and persistent ill. A total of 148 variables were selected for predicting the 3 trajectories. Four machine learning algorithms with 3 different setups were used. We estimated the uncertainty of the model outputs using conformal prediction (CP). The Shapley Additive Explanations method was used to explain the model. Results The multiclass gradient boosting machine was identified as the best-performing model with good discrimination and calibration performance in both validation cohorts. The mean area under the receiver operating characteristic curve with SD was 0.906 (0.018) for rapid death, 0.843 (0.008) for recovery, and 0.807 (0.010) for persistent ill in the internal validation cohort. In the external validation cohort, the mean area under the receiver operating characteristic curve (SD) was 0.878 (0.003) for rapid death, 0.764 (0.008) for recovery, and 0.696 (0.007) for persistent ill. The maximum norepinephrine equivalence, total urine output, Acute Physiology Score III, mean systolic blood pressure, and the coefficient of variation of oxygen saturation contributed the most. Compared to the model without CP, using the model with CP at a mixed confidence approach reduced overall prediction errors by 27.6% (n=62) and 30.7% (n=412) in the internal and external validation cohorts, respectively, as well as enabled the identification of more potentially persistent ill patients. Conclusions The implementation of our model has the potential to reduce heterogeneity and enroll more homogeneous patients in sepsis clinical trials. The use of CP for estimating the uncertainty of the model outputs allows for a more comprehensive understanding of the model’s reliability and assists in making informed decisions based on the predicted outcomes.

Background: This study explores time-to-event analysis models, focusing on the comparison between accelerated failure time (AFT) and weighted least square estimation (WLSE) methods in analyzing survival data, emphasizing the challenge of heteroscedasticity in real-world datasets. Methods: Using the North Central Cancer Treatment Group (NCCTG) Lung Cancer dataset, five parametric AFT distributions (exponential, Weibull, log-logistic, log-normal, and generalized gamma) were evaluated. The log-likelihood method was utilized to calculate the AIC and BIC values for each distribution to determine the best fit model. Results: Among the different distributions tested, the Weibull distribution was identified as the best fit model based with the lowest AIC and BIC values of 2311.70 and 2318.56, respectively. This distribution played a crucial role in determining factors associated with the cancer data. Specifically, the variablecalories consumed at a meal (meal.cal) was associated with cancer patient recovery, with an estimate of 0.00004 and a standard error of 0.0002. Results indicated homoscedastic data through the Breusch-Pagan test. Moreover, the results demonstrated that when dealing with homoscedastic data, the Weibull AFT model outperformed WLSE in producing statistically significant effects and precise estimates. Conclusion: For data exhibiting homoscedasticity, the AFT method yielded superior results compared to WLSE in terms of statistical significance and precision. Therefore, it is advisable to employ AFT for homoscedastic data and WLSE for heteroscedastic data to enhance the accuracy of covariate effect estimates in survival analysis.