In-hospital Outcomes of Infective Endocarditis from 1978 to 2015: Analysis Through Machine-Learning Techniques
Background: Early identification of patients with infective endocarditis (IE) at higher risk for in-hospital mortality is essential to guide management and improve prognosis. Methods: A retrospective analysis was conducted of a cohort of patients followed up from 1978 to 2015, classified according t...
| Main Authors: | , , , , , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Elsevier
2022-02-01
|
| Series: | CJC Open |
| Online Access: | http://www.sciencedirect.com/science/article/pii/S2589790X21002389 |
| _version_ | 1819289034232430592 |
|---|---|
| author | Plinio Resende, Jr., MD, MSc Claudio Querido Fortes, MD, PhD Emilia Matos do Nascimento, PhD Catarina Sousa, MD Natalia Rodrigues Querido Fortes, MD Diego Centenaro Thomaz, MD Basilio de Bragança Pereira, PhD Fausto J. Pinto, MD, PhD Glaucia Maria Moraes de Oliveira, MD, PhD |
| author_facet | Plinio Resende, Jr., MD, MSc Claudio Querido Fortes, MD, PhD Emilia Matos do Nascimento, PhD Catarina Sousa, MD Natalia Rodrigues Querido Fortes, MD Diego Centenaro Thomaz, MD Basilio de Bragança Pereira, PhD Fausto J. Pinto, MD, PhD Glaucia Maria Moraes de Oliveira, MD, PhD |
| author_sort | Plinio Resende, Jr., MD, MSc |
| collection | DOAJ |
| description | Background: Early identification of patients with infective endocarditis (IE) at higher risk for in-hospital mortality is essential to guide management and improve prognosis. Methods: A retrospective analysis was conducted of a cohort of patients followed up from 1978 to 2015, classified according to the modified Duke criteria. Clinical parameters, echocardiographic data, and blood cultures were assessed. Techniques of machine learning, such as the classification tree, were used to explain the association between clinical characteristics and in-hospital mortality. Additionally, the log-linear model and graphical random forests (GRaFo) representation were used to assess the degree of dependence among in-hospital outcomes of IE. Results: This study analyzed 653 patients: 449 (69.0%) with definite IE; 204 (31.0%) with possible IE; mean age, 41.3 ± 19.2 years; 420 (64%) men. Mode of IE acquisition: community-acquired (67.6%), nosocomial (17.0%), undetermined (15.4%). Complications occurred in 547 patients (83.7%), the most frequent being heart failure (47.0%), neurologic complications (30.7%), and dialysis-dependent renal failure (6.5%). In-hospital mortality was 36.0%. The classification tree analysis identified subgroups with higher in-hospital mortality: patients with community-acquired IE and peripheral stigmata on admission; and patients with nosocomial IE. The log-linear model showed that surgical treatment was related to higher in-hospital mortality in patients with neurologic complications. Conclusions: The use of a machine-learning model allowed identification of subgroups of patients at higher risk for in-hospital mortality. Peripheral stigmata, nosocomial IE, absence of vegetation, and surgery in the presence of neurologic complications are predictors of fatal outcomes in machine learning–based analysis. Résumé: Contexte: Le dépistage précoce des patients atteints d’endocardite infectieuse (EI) présentant un risque élevé de mortalité à l’hôpital est essentiel pour orienter la prise en charge et améliorer le pronostic. Méthodologie: Une analyse rétrospective a été réalisée sur une cohorte de patients suivis de 1978 à 2015 et classés selon les critères de Duke modifiés. Les paramètres cliniques, les données des échocardiographies et les hémocultures ont été évalués. Des techniques d’apprentissage automatique, comme l’arbre de classification, ont été utilisées pour expliquer l’association entre les caractéristiques cliniques et la mortalité hospitalière. De plus, le modèle log-linéaire et la représentation graphique en forêts aléatoires ont été utilisés pour évaluer le degré de dépendance entre les résultats hospitaliers et l’EI. Résultats: Cette étude a permis d’analyser 653 patients : 449 (69,0 %) avec une EI avérée; 204 (31,0 %) avec une EI possible; âge moyen de 41,3 ± 19,2 ans; 420 (64 %) étaient des hommes. Mode d’acquisition de l’EI : communautaire (67,6 %), nosocomial (17,0 %), indéterminé (15,4 %). Des complications sont survenues chez 547 patients (83,7 %), les plus fréquentes étant l’insuffisance cardiaque (47,0 %), les complications neurologiques (30,7 %) et l’insuffisance rénale dépendante de la dialyse (6,5 %). La mortalité hospitalière était de 36,0 %. L’analyse de l’arbre de classification a permis d’identifier des sous-groupes présentant une mortalité hospitalière plus élevée : les patients présentant une EI communautaire et des stigmates périphériques à l’admission; et les patients présentant une EI nosocomiale. Le modèle log-linéaire a montré que le traitement chirurgical était lié à une mortalité hospitalière plus élevée chez les patients présentant des complications neurologiques. Conclusions: L’utilisation d’un modèle d’apprentissage automatique a permis d’identifier des sous-groupes de patients présentant un risque plus élevé de mortalité à l’hôpital. Les stigmates périphériques, l’EI nosocomiale, l’absence de végétation et la chirurgie en présence de complications neurologiques sont des prédicteurs d’issue fatale dans l’analyse basée sur l’apprentissage automatique. |
| first_indexed | 2024-12-24T03:00:26Z |
| format | Article |
| id | doaj.art-075fc4d4d8ab4fcb9648659854aaffed |
| institution | Directory Open Access Journal |
| issn | 2589-790X |
| language | English |
| last_indexed | 2024-12-24T03:00:26Z |
| publishDate | 2022-02-01 |
| publisher | Elsevier |
| record_format | Article |
| series | CJC Open |
| spelling | doaj.art-075fc4d4d8ab4fcb9648659854aaffed2022-12-21T17:18:14ZengElsevierCJC Open2589-790X2022-02-0142164172In-hospital Outcomes of Infective Endocarditis from 1978 to 2015: Analysis Through Machine-Learning TechniquesPlinio Resende, Jr., MD, MSc0Claudio Querido Fortes, MD, PhD1Emilia Matos do Nascimento, PhD2Catarina Sousa, MD3Natalia Rodrigues Querido Fortes, MD4Diego Centenaro Thomaz, MD5Basilio de Bragança Pereira, PhD6Fausto J. Pinto, MD, PhD7Glaucia Maria Moraes de Oliveira, MD, PhD8Department of Cardiology/ICES, Federal University of Rio de Janeiro, Rio de Janeiro, Brazil; Corresponding author: Dr Plinio Resende C., Jr, Av Lucio Costa, 3602 Bloco 2/1304, Rio de Janeiro- CEP 22630-010, Brazil. Tel.: (55)21996086978; fax: (55)2124969072.Department of Infectious Diseases, Federal University of Rio de Janeiro, Rio de Janeiro, BrazilDepartment of Statistics/UEZO, State University Center of West Zone, Rio de Janeiro, BrazilFaculty of Medicine, University of Lisbon, Lisbon, PortugalClementino Fraga Filho Hospital, Federal University of Rio de Janeiro, Rio de Janeiro, BrazilSchool of Medicine, Federal University of Rio de Janeiro, Rio de Janeiro, BrazilDepartment of Statistics/ICES, Federal University of Rio de Janeiro, Rio de Janeiro, BrazilFaculty of Medicine, University of Lisbon, Lisbon, PortugalDepartment of Cardiology/ICES, Federal University of Rio de Janeiro, Rio de Janeiro, BrazilBackground: Early identification of patients with infective endocarditis (IE) at higher risk for in-hospital mortality is essential to guide management and improve prognosis. Methods: A retrospective analysis was conducted of a cohort of patients followed up from 1978 to 2015, classified according to the modified Duke criteria. Clinical parameters, echocardiographic data, and blood cultures were assessed. Techniques of machine learning, such as the classification tree, were used to explain the association between clinical characteristics and in-hospital mortality. Additionally, the log-linear model and graphical random forests (GRaFo) representation were used to assess the degree of dependence among in-hospital outcomes of IE. Results: This study analyzed 653 patients: 449 (69.0%) with definite IE; 204 (31.0%) with possible IE; mean age, 41.3 ± 19.2 years; 420 (64%) men. Mode of IE acquisition: community-acquired (67.6%), nosocomial (17.0%), undetermined (15.4%). Complications occurred in 547 patients (83.7%), the most frequent being heart failure (47.0%), neurologic complications (30.7%), and dialysis-dependent renal failure (6.5%). In-hospital mortality was 36.0%. The classification tree analysis identified subgroups with higher in-hospital mortality: patients with community-acquired IE and peripheral stigmata on admission; and patients with nosocomial IE. The log-linear model showed that surgical treatment was related to higher in-hospital mortality in patients with neurologic complications. Conclusions: The use of a machine-learning model allowed identification of subgroups of patients at higher risk for in-hospital mortality. Peripheral stigmata, nosocomial IE, absence of vegetation, and surgery in the presence of neurologic complications are predictors of fatal outcomes in machine learning–based analysis. Résumé: Contexte: Le dépistage précoce des patients atteints d’endocardite infectieuse (EI) présentant un risque élevé de mortalité à l’hôpital est essentiel pour orienter la prise en charge et améliorer le pronostic. Méthodologie: Une analyse rétrospective a été réalisée sur une cohorte de patients suivis de 1978 à 2015 et classés selon les critères de Duke modifiés. Les paramètres cliniques, les données des échocardiographies et les hémocultures ont été évalués. Des techniques d’apprentissage automatique, comme l’arbre de classification, ont été utilisées pour expliquer l’association entre les caractéristiques cliniques et la mortalité hospitalière. De plus, le modèle log-linéaire et la représentation graphique en forêts aléatoires ont été utilisés pour évaluer le degré de dépendance entre les résultats hospitaliers et l’EI. Résultats: Cette étude a permis d’analyser 653 patients : 449 (69,0 %) avec une EI avérée; 204 (31,0 %) avec une EI possible; âge moyen de 41,3 ± 19,2 ans; 420 (64 %) étaient des hommes. Mode d’acquisition de l’EI : communautaire (67,6 %), nosocomial (17,0 %), indéterminé (15,4 %). Des complications sont survenues chez 547 patients (83,7 %), les plus fréquentes étant l’insuffisance cardiaque (47,0 %), les complications neurologiques (30,7 %) et l’insuffisance rénale dépendante de la dialyse (6,5 %). La mortalité hospitalière était de 36,0 %. L’analyse de l’arbre de classification a permis d’identifier des sous-groupes présentant une mortalité hospitalière plus élevée : les patients présentant une EI communautaire et des stigmates périphériques à l’admission; et les patients présentant une EI nosocomiale. Le modèle log-linéaire a montré que le traitement chirurgical était lié à une mortalité hospitalière plus élevée chez les patients présentant des complications neurologiques. Conclusions: L’utilisation d’un modèle d’apprentissage automatique a permis d’identifier des sous-groupes de patients présentant un risque plus élevé de mortalité à l’hôpital. Les stigmates périphériques, l’EI nosocomiale, l’absence de végétation et la chirurgie en présence de complications neurologiques sont des prédicteurs d’issue fatale dans l’analyse basée sur l’apprentissage automatique.http://www.sciencedirect.com/science/article/pii/S2589790X21002389 |
| spellingShingle | Plinio Resende, Jr., MD, MSc Claudio Querido Fortes, MD, PhD Emilia Matos do Nascimento, PhD Catarina Sousa, MD Natalia Rodrigues Querido Fortes, MD Diego Centenaro Thomaz, MD Basilio de Bragança Pereira, PhD Fausto J. Pinto, MD, PhD Glaucia Maria Moraes de Oliveira, MD, PhD In-hospital Outcomes of Infective Endocarditis from 1978 to 2015: Analysis Through Machine-Learning Techniques CJC Open |
| title | In-hospital Outcomes of Infective Endocarditis from 1978 to 2015: Analysis Through Machine-Learning Techniques |
| title_full | In-hospital Outcomes of Infective Endocarditis from 1978 to 2015: Analysis Through Machine-Learning Techniques |
| title_fullStr | In-hospital Outcomes of Infective Endocarditis from 1978 to 2015: Analysis Through Machine-Learning Techniques |
| title_full_unstemmed | In-hospital Outcomes of Infective Endocarditis from 1978 to 2015: Analysis Through Machine-Learning Techniques |
| title_short | In-hospital Outcomes of Infective Endocarditis from 1978 to 2015: Analysis Through Machine-Learning Techniques |
| title_sort | in hospital outcomes of infective endocarditis from 1978 to 2015 analysis through machine learning techniques |
| url | http://www.sciencedirect.com/science/article/pii/S2589790X21002389 |
| work_keys_str_mv | AT plinioresendejrmdmsc inhospitaloutcomesofinfectiveendocarditisfrom1978to2015analysisthroughmachinelearningtechniques AT claudioqueridofortesmdphd inhospitaloutcomesofinfectiveendocarditisfrom1978to2015analysisthroughmachinelearningtechniques AT emiliamatosdonascimentophd inhospitaloutcomesofinfectiveendocarditisfrom1978to2015analysisthroughmachinelearningtechniques AT catarinasousamd inhospitaloutcomesofinfectiveendocarditisfrom1978to2015analysisthroughmachinelearningtechniques AT nataliarodriguesqueridofortesmd inhospitaloutcomesofinfectiveendocarditisfrom1978to2015analysisthroughmachinelearningtechniques AT diegocentenarothomazmd inhospitaloutcomesofinfectiveendocarditisfrom1978to2015analysisthroughmachinelearningtechniques AT basiliodebragancapereiraphd inhospitaloutcomesofinfectiveendocarditisfrom1978to2015analysisthroughmachinelearningtechniques AT faustojpintomdphd inhospitaloutcomesofinfectiveendocarditisfrom1978to2015analysisthroughmachinelearningtechniques AT glauciamariamoraesdeoliveiramdphd inhospitaloutcomesofinfectiveendocarditisfrom1978to2015analysisthroughmachinelearningtechniques |