GL
Guang Liu
Author with expertise in Semantic Web and Ontology Development
Achievements
Open Access Advocate
Cited Author
Key Stats
Upvotes received:
0
Publications:
5
(80% Open Access)
Cited by:
332
h-index:
21
/
i10-index:
37
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Nomograms based on ratio indexes to predict severity and prognosis in immune checkpoint inhibitors-related myocarditis: a retrospective analysis

Zhenli Li et al.May 27, 2024
Abstract Purpose Immune checkpoint inhibitors-related myocarditis (ICI-M) is one of the immune-related adverse events (irAEs), which is rare and highly lethal. This study aimed to establish nomograms based on ratio biomarkers to predict the severity and prognosis of ICI-M. Methods We retrospectively examined patients with advanced cancers who were also diagnosed with ICI-M at the Fourth Hospital of Hebei Medical University. The patients of ICI-M were divided into mild and severe groups and a 40-day following up was carried out. The major adverse cardiovascular events(MACEs) were regarded as the endpoint. Nomogram-based models were established and validated. Results Seventy-seven patients were involved, including 31 severe cases(40.3%). Lactate dehydrogenase-to-albumin ratio(LAR) combined with the change rate from baseline to onset of LAR( $$\triangle$$ ▵ LAR) which performed best to diagnose the severe ICI-M was identified to establish the nomogram-based model. The bootstrap-corrected concordance index [0.752 95% confidence interval (CI): 0.635 $$-$$ - 0.866] and calibration plot with good degree of fitting confirmed this diagnostic model. Neutrophil-to-high-density lipoprotein cholesterol ratio(NHR) and LAR were also screened into the nomogram-based model for 40-day MACEs after ICI-M, which performed well by validating for concordance index(0.779 95% CI: 0.677 $$-$$ - 0.865)and calibration plots after being bootstrap-corrected. Moreover, a $$\ge$$ ≥ 101% increase in LAR significantly separated patients in MACE-free survival. Conclusion Ratio indexes at onset and their change rates from baseline showed good diagnostic value for the severity of ICI-M and prognostic value for subsequent MACEs, particularly LAR, NHR and their change rates. The nomogram-based models of ratio indexes could provide a potential choice for early detection and monitor of the severe ICI-M and subsequent MACEs. Graphical abstract
0

Interpretable Machine Learning Approach for Predicting 30-Day Mortality of Critical Ill Patients with Pulmonary Embolism and Heart Failure: A Retrospective Study

Jing Liu et al.Jan 1, 2024
Background Pulmonary embolism (PE) patients combined with heart failure (HF) have been reported to have a high short-term mortality. However, few studies have developed predictive tools of 30-day mortality for these patients in intensive care unit (ICU). This study aimed to construct and validate a machine learning (ML) model to predict 30-day mortality for PE patients combined with HF in ICU. Methods We enrolled patients with PE combined with HF in the Medical Information Mart for Intensive Care Database (MIMIC) and developed six ML models after feature selection. Further, eICU Collaborative Research Database (eICU-CRD) was utilized for external vali- dation. The area under curves (AUC), calibration curves, decision curve analysis (DCA), net reclassification improvement (NRI), and integrated discrimination improvement (IDI) were performed to evaluate the prediction performance. Shapley additive explanation (SHAP) was performed to enhance the interpretability of our models. Results A total of 472 PE patients combined with HF were included. We developed six ML models by the 13 selected features. After internal validation, the Support Vector Ma- chine (SVM) model performed best with an AUC of 0.835, a superior calibration degree, and a wider risk threshold (from 0% to 90%) for obtaining clinical benefit, which also outperformed traditional mortality risk evaluation systems,as evaluated by NRI and IDI. The SVM model was still reliable after external validation. SHAP was performed to explain the model. Moreover, an online application was developed for further clinical use. Conclusion This study developed a potential tool for identify short-term mortality risk to guide clinical decision making for PE patients combined with HF in the ICU. The SHAP method also helped clinicians to better understand the model.