Dynamic Personalized Prediction Using Joint Modeling of Daily SOFA Trajectories and Time-to-Event Data
The Sequential Organ Failure Assessment (SOFA) score misses changes in organ dysfunction over time relating to outcomes. Standard survival analyses using single or aggregate SOFA scores underutilize repeated measurements. We used joint models of longitudinal and time-to-event data to capture the relationship between evolving SOFA scores and mortality by simultaneously modeling SOFA trajectories and time to death. This joint model predicts ICU mortality more accurately than standard Cox models using initial SOFA scores in critically ill patients. We used a linear mixed-effects submodel with random intercepts and slopes to track individual SOFA changes, then linked it to a Cox proportional hazards submodel updating risk as new SOFA data become available. We evaluated its performance with time-dependent AUC, Brier score, and calibration slope, comparing it to standard Cox models using baseline or combined SOFA scores. The model shows how SOFA changes affect baseline risk and mortality.
Prédiction dynamique personnalisée à l’aide d’une modélisation conjointe des trajectoires quotidiennes de SOFA et des données sur le temps jusqu’à l’événement
Le score SOFA (Sequential Organ Failure Assessment) ne tient pas compte des changements dans le dysfonctionnement des organes au fil du temps en ce qui concerne les résultats. Les analyses de survie standard utilisant des scores de SOFA uniques ou agrégés sous-utilisent les mesures répétées. Nous avons utilisé des modèles conjoints de données longitudinales et temporelles pour saisir la relation entre l’évolution des scores SOFA et la mortalité en modélisant simultanément les trajectoires SOFA et le temps écoulé jusqu’au décès. Ce modèle conjoint prédit la mortalité en unité de soins intensifs avec plus de précision que les modèles de Cox standard utilisant les scores SOFA initiaux chez les patients gravement malades. Nous avons utilisé un sous-modèle linéaire à effets mixtes avec des ordonnées à l’origine et des pentes aléatoires pour suivre les changements individuels de SOFA, puis nous l’avons lié à un sous-modèle de risques proportionnels de Cox qui met à jour le risque à mesure que de nouvelles données SOFA sont disponibles. Nous avons évalué ses performances à l’aide de l’AUC, du score de Brier et de la pente de calibrage en fonction du temps, en le comparant aux modèles de Cox standard utilisant les scores SOFA de base ou combinés. Le modèle montre comment les changements de SOFA affectent le risque de base et la mortalité.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English