Subphenotyping of critical illness: where protocolized and personalized intensive care medicine meet

Ramos, Fernando José da Silva; Franca, Allan; Salluh, Jorge I.

doi:10.5935/0103-507x.20220069-en

Cited by 3 publications

(4 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…( 1 ) Recent literature has demonstrated major advances in the field of acute kidney injury prediction and the need for renal replacement therapy (RRT). ( 2 ) In a large multicenter cohort, we evaluated how a previously published model ( 3 ) that predicts the need for RRT in coronavirus disease 2019 (COVID-19) intensive care unit (ICU) patients would perform in a general ICU patient.…”

Section: To the Editormentioning

confidence: 99%

Section: Ao Editorunclassified

See 1 more Smart Citation

Generalizing the application of machine learning predictive models across different populations: does a model to predict the use of renal replacement therapy in critically ill COVID-19 patients apply to general intensive care unit patients?

França,

Cantarino,

Salluh

et al. 2024

Crit. Care Sci.

View full text Add to dashboard Cite

Section: To the Editormentioning

confidence: 99%

Section: Ao Editorunclassified

Generalizing the application of machine learning predictive models across different populations: does a model to predict the use of renal replacement therapy in critically ill COVID-19 patients apply to general intensive care unit patients?

França,

Cantarino,

Salluh

et al. 2024

Crit. Care Sci.

View full text Add to dashboard Cite

“…It can be challenging for us to transition from using creatinine to adopting novel biomarkers for AKI diagnosis. Due to evolving concepts in critical illness [ 50 ], we should adopt a new perspective on AKI management. The incorporation of AKI subphenotyping and corresponding biomarkers into clinical practice should be adopted.…”

Section: Acute Kidney Injury Subphenotypes: Proposed Acute Kidney Inj...mentioning

confidence: 99%

Biomarkers in pursuit of precision medicine for acute kidney injury: hard to get rid of customs

Lin,

Su,

Chen

et al. 2024

Kidney Res Clin Pract

View full text Add to dashboard Cite

Traditional acute kidney injury (AKI) classifications, which are centered around semi-anatomical lines, can no longer capture the complexity of AKI. By employing strategies to identify predictive and prognostic enrichment targets, experts could gain a deeper comprehension of AKI’s pathophysiology, allowing for the development of treatment-specific targets and enhancing individualized care. Subphenotyping, which is enriched with AKI biomarkers, holds insights into distinct risk profiles and tailored treatment strategies that redefine AKI and contribute to improved clinical management. The utilization of biomarkers such as N-acetyl-β-D-glucosaminidase, tissue inhibitor of metalloprotease-2·insulin-like growth factor-binding protein 7, kidney injury molecule-1, and liver fatty acid-binding protein garnered significant attention as a means to predict subclinical AKI. Novel biomarkers offer promise in predicting persistent AKI, with urinary motif chemokine ligand 14 displaying significant sensitivity and specificity. Furthermore, they serve as predictive markers for weaning patients from acute dialysis and offer valuable insights into distinct AKI subgroups. The proposed management of AKI, which is encapsulated in a structured flowchart, bridges the gap between research and clinical practice. It streamlines the utilization of biomarkers and subphenotyping, promising a future in which AKI is swiftly identified and managed with unprecedented precision. Incorporating kidney biomarkers into strategies for early AKI detection and the initiation of AKI care bundles has proven to be more effective than using care bundles without these novel biomarkers. This comprehensive approach represents a significant stride toward precision medicine, enabling the identification of high-risk subphenotypes in patients with AKI.

show abstract

“…(1) A literatura recente demonstrou grandes avanços no campo da previsão de lesão renal aguda e da necessidade de terapia de substituição renal (TSR). (2) Em uma grande coorte multicêntrica, avaliamos o desempenho de um modelo publicado anteriormente, (3) que prevê a necessidade de TSR em pacientes de unidade de terapia intensiva (UTI) com doença pelo coronavírus 2019 (COVID-19), em pacientes de UTI geral.Recentemente, usando uma metodologia orientada por dados em uma coorte multicêntrica de 14.374 pacientes graves com COVID-19, desenvolvemos e validamos um modelo de previsão de aprendizado de máquina para prever o uso de TSR (COVID-19-RRT Model). (3) No presente estudo, realizamos uma validação externa do COVID-19-RRT Model em uma coorte de pacientes adultos sem COVID-19 internados em 126 UTIs em 2022 em uma rede hospitalar privada brasileira.…”

unclassified

Generalização da aplicação de modelos preditivos de aprendizado de máquina em diferentes populações: um modelo que prevê o uso de terapia de substituição renal em pacientes com COVID-19 em estado grave se aplica a pacientes de unidades de terapia intensiva em geral?

França,

Cantarino,

Salluh

et al. 2024

Crit. Care Sci.

View full text Add to dashboard Cite

AO EDITORO uso generalizado do aprendizado de máquina criou a possibilidade de gerar modelos de previsão robustos específicos para cada paciente. No entanto, é necessário ter cuidado ao usá-los em populações heterogêneas de pacientes graves. (1) A literatura recente demonstrou grandes avanços no campo da previsão de lesão renal aguda e da necessidade de terapia de substituição renal (TSR). (2) Em uma grande coorte multicêntrica, avaliamos o desempenho de um modelo publicado anteriormente, (3) que prevê a necessidade de TSR em pacientes de unidade de terapia intensiva (UTI) com doença pelo coronavírus 2019 (COVID-19), em pacientes de UTI geral.Recentemente, usando uma metodologia orientada por dados em uma coorte multicêntrica de 14.374 pacientes graves com COVID-19, desenvolvemos e validamos um modelo de previsão de aprendizado de máquina para prever o uso de TSR (COVID-19-RRT Model). (3) No presente estudo, realizamos uma validação externa do COVID-19-RRT Model em uma coorte de pacientes adultos sem COVID-19 internados em 126 UTIs em 2022 em uma rede hospitalar privada brasileira. Os dados foram adquiridos por meio de uma solução usada para avaliação de qualidade (Epimed Monitor). ( 4) O estudo foi aprovado pelo Comitê de Revisão Institucional após o fornecimento do consentimento informado (Instituto D'Or de Pesquisa e Ensino [IDOR], CAAE:17079119.7.0000.5249). O desempenho da previsão foi avaliado em termos de calibração (gráficos e pontuação de Brier) e discriminação (área sob a curva ROC [ASC-ROC]). Uma descrição dos materiais e métodos utilizados é apresentada no Material Suplementar (Tabela 1S, 2S e Figura 1S).Em 2022, 8.735 pacientes de UTI adulto sem COVID-19 precisaram de suporte respiratório precoce. Desses, 770 (8,8%) pacientes foram submetidos à TSR, uma porcentagem menor do que a da coorte de desenvolvimento (12%) (Tabela 1). Os pacientes da coorte de validação externa sem COVID-19 eram mais velhos (idade média de 72 anos versus 56 anos), mais frequentemente do sexo feminino (54% versus 36%) e mais frequentemente frágeis (43% versus 16%) do que os da coorte de desenvolvimento do modelo. A internação média na UTI foi mais curta (6 versus 10 dias), e a mortalidade na UTI foi menor em comparação com o grupo de desenvolvimento (18% versus 22%). Na coorte não relacionada à COVID-19, a ASC-ROC do modelo foi de 0,82 (intervalo de confiança de 95% [IC95%] 0,80 -0,83), maior do que na coorte de validação interna (0,79; IC95% 0,78 -0,82). O escore de Brier foi comparável entre o conjunto de dados de validação externa e o conjunto de dados de validação de intervalo; no entanto, os gráficos de calibração mostraram superestimação das probabilidades de TSR previstas, especialmente para pacientes de baixo risco (Figura 1).Apesar da boa discriminação, o COVID-19-RRT Model superestimou a probabilidade de necessidade de TSR, especialmente nos estratos de "baixo risco". (5) Isso pode ser explicado pelas diferenças na gravidade da doença basal entre os pacientes com COVID-19 e os pacientes da UTI geral: aqueles tinham u...

show abstract

Subphenotyping of critical illness: where protocolized and personalized intensive care medicine meet

Cited by 3 publications

References 13 publications

Generalizing the application of machine learning predictive models across different populations: does a model to predict the use of renal replacement therapy in critically ill COVID-19 patients apply to general intensive care unit patients?

Generalizing the application of machine learning predictive models across different populations: does a model to predict the use of renal replacement therapy in critically ill COVID-19 patients apply to general intensive care unit patients?

Biomarkers in pursuit of precision medicine for acute kidney injury: hard to get rid of customs

Generalização da aplicação de modelos preditivos de aprendizado de máquina em diferentes populações: um modelo que prevê o uso de terapia de substituição renal em pacientes com COVID-19 em estado grave se aplica a pacientes de unidades de terapia intensiva em geral?

Contact Info

Product

Resources

About