ترجمه فارسی مقاله پیش‌بینی زمان بقا برای بیماران بدحال مبتلا به نارسایی قلبی با استفاده از تجزیه و تحلیل بقای منسجم

چکیده

Heart failure (HF) is a serious public health issue, particularly for critically ill patients in intensive care units (ICUs). Predicting survival outcomes of critically ill patients with calibrated uncertainty calibration is a difficult yet crucially important task for timely treatment. This study applies a novel approach, conformalized survival analysis (CSA), to predicting the survival time to critically ill HF patients. CSA quantifies the uncertainty of point prediction by accompanying each predicted value with a lower bound guaranteed to cover the true survival time. Utilizing the MIMIC-IV dataset, we demonstrate that CSA delivers calibrated uncertainty quantification for the predicted survival time, while the methods based on parametric models (e.g., Cox model or the Accelerated Failure Time model) fail to do so. By applying CSA to a large, real-world dataset, the study highlights its potential to improve decision-making in critical care, offering a more nuanced and accurate tool for prognostication in a setting where precise predictions and calibrated uncertainty quantification can significantly influence patient outcomes.

چکیده به فارسی (ترجمه ماشینی)

نارسایی قلبی (HF) یک مسئله جدی بهداشت عمومی است ، به ویژه برای بیماران مبتلا به بیماری بحرانی در بخش مراقبت های ویژه (ICU).پیش بینی پیامدهای بقا از بیماران مبتلا به بحرانی که کالیبراسیون عدم قطعیت کالیبره شده دارند ، یک کار دشوار و در عین حال مهم برای درمان به موقع است.این مطالعه یک رویکرد جدید ، تجزیه و تحلیل بقاء کنفورمالاسیون (CSA) ، برای پیش بینی زمان بقا برای بیماران مبتلا به HF که به شدت بیمار هستند ، استفاده می کند.CSA عدم اطمینان از پیش بینی نقطه را با همراهی هر مقدار پیش بینی شده با محدودیت پایین تضمین شده برای پوشش زمان زنده ماندن واقعی ، تعیین می کند.با استفاده از مجموعه داده MIMIC-IV ، ما نشان می دهیم که CSA برای زمان بقا پیش بینی شده ، کمیت عدم قطعیت کالیبره شده را ارائه می دهد ، در حالی که روش های مبتنی بر مدل های پارامتری (به عنوان مثال ، مدل COX یا مدل زمان شکست شتاب) این کار را انجام نمی دهد.این مطالعه با استفاده از CSA در یک مجموعه داده بزرگ و در دنیای واقعی ، پتانسیل خود را برای بهبود تصمیم گیری در مراقبت های ویژه برجسته می کند ، و ابزاری ظریف تر و دقیق تر برای پیش آگهی در شرایطی ارائه می دهد که در آن پیش بینی های دقیق و کمیت عدم قطعیت کالیبره شده می تواند به طور قابل توجهی بر نتایج بیمار تأثیر بگذارد.بشر