A MACHINE LEARNING MODEL DERIVED FROM ANALYSIS OF TIME-COURSE GENE-EXPRESSION DATASETS REVEALS TEMPORALLY STABLE GENE MARKERS PREDICTIVE OF SEPSIS MORTALITY.

Huang, Min; Atreya, Mihir R; Holder, Andre; Kamaleswaran, Rishikesan

Huang, Min; Atreya, Mihir R; Holder, Andre; Kamaleswaran, Rishikesan.

Afiliación

Huang M; Department of Biomedical Informatics, Emory University School of Medicine, Atlanta, Georgia.
Holder A; Division of Pulmonary, Allergy, Critical Care, and Sleep Medicine, Emory University School of Medicine, Atlanta, Georgia.

Shock ; 60(5): 671-677, 2023 11 01.

Article en En | MEDLINE | ID: mdl-37752077

Asunto(s)

Sepsis; Humanos; Estudios Prospectivos; Biomarcadores; Aprendizaje Automático; Unidades de Cuidados Intensivos; Transcriptoma; Proteínas Nucleares snRNP/genética; Proteínas Adaptadoras de la Señalización Shc/genética

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google

Texto completo: 1 Colección: 01-internacional Banco de datos: MEDLINE Asunto principal: Sepsis Tipo de estudio: Prognostic_studies / Risk_factors_studies Límite: Humans Idioma: En Revista: Shock Asunto de la revista: ANGIOLOGIA / CARDIOLOGIA Año: 2023 Tipo del documento: Article País de afiliación: Georgia

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google