Sepsis prediction approaches in critically ill patients with prolonged ICU stay

Yadgarov M.Ya.; Berikashvili L.B.; Polyakov P.A.; Kadantseva K.K.; Said M. T.Sh. M.; Yakovlev A.A.; Likhvantsev V.V.

doi:https://doi.org/10.17116/anaesthesiology20260217

Михаил Яковлевич Ядгаров

ФГБНУ «Федеральный научно-клинический центр реаниматологии и реабилитологии» Минобрнауки России, Москва, Россия

ORCID: 0000-0003-3792-1682

Леван Бондоевич Берикашвили

ORCID: 0000-0001-9267-3664

Петр Алексеевич Поляков

ORCID: 0009-0009-6185-349X

Кристина Кирилловна Каданцева

ORCID: 0000-0002-6593-8580

Мохаммад Тарек Шах Мохаммад Саид

ORCID: 0009-0003-6259-6890

Алексей Александрович Яковлев

ORCID: 0000-0002-8482-1249

Валерий Владимирович Лихванцев

ORCID: 0000-0002-5442-6950

Сравнение подходов к прогнозированию сепсиса у реанимационных пациентов, длительно находящихся в условиях отделения реанимации и интенсивной терапии

Авторы:

Ядгаров М.Я., Берикашвили Л.Б., Поляков П.А., Каданцева К.К., Саид М.Т.Ш.М., Яковлев А.А., Лихванцев В.В.

Подробнее об авторах

Журнал: Анестезиология и реаниматология. 2026;(2): 7‑18

DOI: 10.17116/anaesthesiology20260217

Прочитано: 236 раз

Связаться с автором

Оглавление

Как цитировать:

Ядгаров М.Я., Берикашвили Л.Б., Поляков П.А., Каданцева К.К., Саид М.Т.Ш.М., Яковлев А.А., Лихванцев В.В. Сравнение подходов к прогнозированию сепсиса у реанимационных пациентов, длительно находящихся в условиях отделения реанимации и интенсивной терапии. Анестезиология и реаниматология. 2026;(2):7‑18.
Yadgarov MYa, Berikashvili LB, Polyakov PA, Kadantseva KK, Said MTShM, Yakovlev AA, Likhvantsev VV. Sepsis prediction approaches in critically ill patients with prolonged ICU stay. Russian Journal of Anesthesiology and Reanimatology. 2026;(2):7‑18. (In Russ.)
https://doi.org/10.17116/anaesthesiology20260217

Использование инфографики авторами научных работ

Рекомендуем статьи по данной теме:

Биомаркеры острого церебрального повреждения в комплексной диагностике сепсис-ассоциированной энцефалопатии. Анестезиология и реаниматология. 2025;(3):6-13

Сравнительный анализ методов оценки энергетической потребности пациентов с панкреатогенным сепсисом. Анестезиология и реаниматология. 2025;(3):26-33

На пути к персонализированной кардиологии: перспективы прецизионной оценки сердечно-сосудистых рисков и предиктивно-прогностической диагностики. Кардиология и сердечно-сосудистая хирургия. 2025;(2):206-215

Моделирование и прогнозирование хронических неинфекционных заболеваний по медико-социальным факторам риска у лиц старше трудоспособного возраста. Профилактическая медицина. 2025;(4):67-74

Роль некоторых маркеров инфекционного процесса в ранней диагностике и оценке эффективности антибактериальной терапии при акушерском сепсисе. Российский вестник акушера-гинеколога. 2025;(2):15-20

Подозрение на первичное закрытие угла передней камеры: применение метода машинного обучения в обосновании целесообразности пристального мониторинга. Вестник офтальмологии. 2025;(2):67-74

Прогностическая модель готовности пациента с сепсисом к ранней мобилизации с ассистенцией. Вопросы курортологии, физиотерапии и лечебной физической культуры. 2025;(2):26-26

Прогностическая модель и калькулятор оценки риска затяжного плеврального выпота после лобэктомии. Хирургия. Журнал им. Н.И. Пирогова. 2025;(6):26-34

Возможности искусственного интеллекта при рассеянном склерозе. Журнал неврологии и психиатрии им. С.С. Корсакова. 2025;(5):14-21

Высокоточная детекция эозинофилов на гистологических изображениях при эозинофильном эзофагите с использованием модели машинного обучения YOLO11. Доказательная гастроэнтерология. 2025;(2):19-29

Резюме / Abstract:

Раннее выявление сепсиса в условиях длительного пребывания пациентов в отделении реанимации и интенсивной терапии (ОРИТ) связано с необходимостью разработки особых подходов, учитывающих динамическое изменение состояния больных.

ЦЕЛЬ ИССЛЕДОВАНИЯ

Выполнить идентификацию факторов риска и сравнение двух подходов к построению моделей прогнозирования развития сепсиса (с выравниванием данных по левому/правому краю) у пациентов реанимационного профиля, преимущественно находящихся в продленном или хроническом критическом состоянии.

МАТЕРИАЛ И МЕТОДЫ

Проведен анализ данных реальной клинической практики с использованием базы RICD v2.0 за период с декабря 2017 г. по сентябрь 2024 г. Для построения прогностических моделей применялись два подхода к выравниванию данных и использованы методы логистической регрессии и алгоритм машинного обучения XGBoost. Диагностику сепсиса проводили согласно критериям Sepsis-3. Основным критерием оценки прогностической способности моделей был показатель площади под кривой ROC (AUROC).

РЕЗУЛЬТАТЫ

В исследование включены 575 пациентов (336 с сепсисом; медиана возраста 64 года; медиана пребывания в ОРИТ 42 сут, госпитальная летальность 11,3%). При использовании левостороннего подхода факторами риска были: возраст ≥67 лет, внебольничная пневмония, повышенные уровни лактата и креатинина, ишемический инсульт и хронические заболевания; прогностическая способность модели оказалась ограниченной (AUROC 0,661). Правосторонний подход позволил выявить значимые изменения витальных параметров за 6 ч до клинической манифестации сепсиса. Наилучшая прогностическая эффективность достигнута с помощью алгоритма XGBoost (AUROC 0,734).

ЗАКЛЮЧЕНИЕ

Впервые установлены специфические факторы риска развития сепсиса у пациентов, длительно находящихся в условиях отделения реанимации и интенсивной терапии. Наибольшая прогностическая эффективность достигнута с использованием алгоритма машинного обучения XGBoost при правостороннем выравнивании данных. Полученные результаты необходимо подтвердить в исследованиях с внутренней и внешней валидацией моделей.

Ключевые слова / Keywords:

сепсис

прогнозирование

хроническое критическое состояние

машинное обучение

деревья решений

Авторы / Authors:

Михаил Яковлевич Ядгаров

ORCID: 0000-0003-3792-1682

Леван Бондоевич Берикашвили

ORCID: 0000-0001-9267-3664

Петр Алексеевич Поляков

ORCID: 0009-0009-6185-349X

Кристина Кирилловна Каданцева

ORCID: 0000-0002-6593-8580

Мохаммад Тарек Шах Мохаммад Саид

ORCID: 0009-0003-6259-6890

Алексей Александрович Яковлев

ORCID: 0000-0002-8482-1249

Валерий Владимирович Лихванцев

ORCID: 0000-0002-5442-6950

Дата поступления:

24.05.2025

Дата принятия в печать:

27.10.2025

Закрыть метаданные

Литература / References:

Fleischmann C, Scherag A, Adhikari NKJ, Hartog CS, Tsaganos T, Schlattmann P, Angus DC, Reinhart K. Assessment of global incidence and mortality of hospital-treated sepsis current estimates and limitations. American Journal of Respiratory Critical Care Medicine. 2016;193(3):259-272. https://doi.org/10.1164/rccm.201504-0781OC
Im Y, Kang D, Ko RE, Lee YJ, Lim SY, Park S, Na SJ, Chung CR, Park MH, Oh DK, Lim CM, Suh GY, Hong SB, Jeon K, Cho YJ, Lee J myeong, Kim KC, Chang Y, Lee SM, Hong SK, Cho WH, Kwak SH, Lee HB, Ahn JJ, Seong GM, Lee SI, Park TS, Lee SH, Choi EY, Moon JY. Time-to-antibiotics and clinical outcomes in patients with sepsis and septic shock: a prospective nationwide multicenter cohort study. Critical Care. 2022;26(1):19. https://doi.org/10.1186/s13054-021-03883-0
Adegbite BR, Edoa JR, Ndzebe Ndoumba WF, Dimessa Mbadinga LB, Mombo-Ngoma G, Jacob ST, Rylance J, Hänscheid T, Adegnika AA, Grobusch MP. A comparison of different scores for diagnosis and mortality prediction of adults with sepsis in Low-and-Middle-Income Countries: a systematic review and meta-analysis. EClinicalMedicine. 2021;42:101184. https://doi.org/10.1016/j.eclinm.2021.101184
Konjety P, Chakole VG. Beyond the Horizon: A Comprehensive Review of Contemporary Strategies in Sepsis Management Encompassing Predictors, Diagnostic Tools, and Therapeutic Advances. Cureus. 2024;16(7):e64249. https://doi.org/10.7759/cureus.64249
He RR, Yue GL, Dong ML, Wang JQ, Cheng C. Sepsis Biomarkers: Advancements and Clinical Applications — A Narrative Review. International Journal of Molecular Sciences. 2024;25(16):25169010. https://doi.org/10.3390/ijms25169010
Evans L, Rhodes A, Alhazzani W, Antonelli M, Coopersmith CM, French C, Machado FR, Mcintyre L, Ostermann M, Prescott HC, Schorr C, Simpson S, Wiersinga WJ, Alshamsi F, Angus DC, Arabi Y, Azevedo L, Beale R, Beilman G, Belley-Cote E, Burry L, Cecconi M, Centofanti J, Coz Yataco A, De Waele J, Dellinger RP, Doi K, Du B, Estenssoro E, Ferrer R, Gomersall C, Hodgson C, Møller MH, Iwashyna T, Jacob S, Kleinpell R, Klompas M, Koh Y, Kumar A, Kwizera A, Lobo S, Masur H, McGloughlin S, Mehta S, Mehta Y, Mer M, Nunnally M, Oczkowski S, Osborn T, Papathanassoglou E, Perner A, Puskarich M, Roberts J, Schweickert W, Seckel M, Sevransky J, Sprung CL, Welte T, Zimmerman J, Levy M. Surviving sepsis campaign: international guidelines for management of sepsis and septic shock 2021. Intensive Care Medicine. 2021;47(11):1181-1247. https://doi.org/10.1007/s00134-021-06506-y
Lauritsen SM, Thiesson B, Jørgensen MJ, Riis AH, Espelund US, Weile JB, Lange J. The Framing of machine learning risk prediction models illustrated by evaluation of sepsis in general wards. NPJ Digital Medicine. 2021;4(1):158. https://doi.org/10.1038/s41746-021-00529-x
Wang Z, Wang W, Sun C, Li J, Xie S, Xu J, Zou K, Jin Y, Yan S, Liao X, Kang Y, Coopersmith CM, Sun X. A methodological systematic review of validation and performance of sepsis real-time prediction models. NPJ Digital Medicine. 2025;8(1):190. https://doi.org/10.1038/s41746-025-01587-1
Khojandi A, Tansakul V, Li X, Koszalinski RS, Paiva W. Prediction of Sepsis and In-Hospital Mortality Using Electronic Health Records. Methods of Information in Medicine. 2018;57(4):185-193. https://doi.org/10.3414/ME18-01-0014
Fleuren LM, Klausch TLT, Zwager CL, Schoonmade LJ, Guo T, Roggeveen LF, Swart EL, Girbes ARJ, Thoral P, Ercole A, Hoogendoorn M, Elbers PWG. Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. Intensive Care Medicine. 2020;46(3):383-400. https://doi.org/10.1007/s00134-019-05872-y
Islam MM, Nasrin T, Walther BA, Wu CC, Yang HC, Li YC. Prediction of sepsis patients using machine learning approach: A meta-analysis. Computer Methods and Programs in Biomedicine. 2019;170:1-9. https://doi.org/10.1016/j.cmpb.2018.12.027
Yadgarov MY, Landoni G, Berikashvili LB, Polyakov PA, Kadantseva KK, Smirnova AV, Kuznetsov I V, Shemetova MM, Yakovlev AA, Likhvantsev VV. Early detection of sepsis using machine learning algorithms: a systematic review and network meta-analysis. Frontiers in Medicine. 2024;11:1491358. https://doi.org/10.3389/fmed.2024.1491358
Likhvantsev VV, Berikashvili LB, Yadgarov MY, Yakovlev AA, Kuzovlev AN. The Tri-Steps Model of Critical Conditions in Intensive Care: Introducing a New Paradigm for Chronic Critical Illness. Journal of Clinical Medicine. 2024;13(13):3683. https://doi.org/10.3390/jcm13133683
Гречко А.В., Ядгаров М.Я., Яковлев А.А., Берикашвили Л.Б., Кузовлев А.Н., Поляков П.А., Кузнецов И.В., Лихванцев В.В. Российская база данных реанимационных пациентов-RICD. Общая реаниматология. 2024;20(3):22-31. https://doi.org/10.15360/1813-9779-2024-3-22-31
von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. Annals of Internal Medicine. 2007;147(8):573-537. https://doi.org/10.7326/0003-4819-147-8-200710160-00010
Shankar-Hari M, Phillips GS, Levy ML, Seymour CW, Liu VX, Deutschman CS, Angus DC, Rubenfeld GD, Singer M. Developing a newdefinition and assessing newclinical criteria for Septic shock: For the third international consensus definitions for sepsis and septic shock (sepsis-3). JAMA. 2016;315(8):775-787. https://doi.org/10.1001/jama.2016.0289
Schvetz M, Fuchs L, Novack V, Moskovitch R. Outcomes prediction in longitudinal data: Study designs evaluation, use case in ICU acquired sepsis. Journal of Biomedical Informatics. 2021;117:103734. https://doi.org/10.1016/j.jbi.2021.103734
Nohara Y, Matsumoto K, Soejima H, Nakashima N. Explanation of machine learning models using shapley additive explanation and application for real data in hospital. Computer Methods and Programs in Biomedicine. 2022;214:106584. https://doi.org/10.1016/j.cmpb.2021.106584
MedCalc’s Diagnostic test evaluation calculator. MedCalc a Statistical Software. 2018;1. Accessed April 24, 2025. https://www.medcalc.org/calc/diagnostic_test.php
Englert NC, Ross C. The Older Adult Experiencing Sepsis. Critical Care Nursing Quarterly. 2015;38(2):175-181. https://doi.org/10.1097/CNQ.0000000000000059
Beutz MA, Abraham E. Community-acquired pneumonia and sepsis. Clinics in Chest Medicine. 2005;26(1):19-28. https://doi.org/10.1016/j.ccm.2004.10.015
Kang C, Choi S, Jang EJ, Joo S, Jeong JH, Oh SY, Ryu HG, Lee H. Prevalence and outcomes of chronic comorbid conditions in patients with sepsis in Korea: a nationwide cohort study from 2011 to 2016. BMC Infectious Diseases. 2024;24(1):184. https://doi.org/10.1186/s12879-024-09081-x
Xiao Y, Yan X, Shen L, Wang Q, Li F, Yang D, Wu W, Qian Y. Evaluation of qSOFA score, and conjugated bilirubin and creatinine levels for predicting 28-day mortality in patients with sepsis. Experimental and Therapeutic Medicine. 2022;24(1):447. https://doi.org/10.3892/etm.2022.11374
Liu Z, Meng Z, Li Y, Zhao J, Wu S, Gou S, Wu H. Prognostic accuracy of the serum lactate level, the SOFA score and the qSOFA score for mortality among adults with Sepsis. Scandinavian Journal of Trauma, Resuscitation and Emergency Medicine. 2019;27(1):51. https://doi.org/10.1186/s13049-019-0609-3
Лянгузов А.В, Лучинин А.В. Анализ эффективности применения шкал SIRS, qSOFA и MEWS для идентификации сепсиса у онкогематологических больных. Гематология и трансфузиология. 2022;67(3):398-405. https://doi.org/10.35754/0234-5730-2022-67-3-398-405
Zhang TY, Zhong M, Cheng YZ, Zhang MW. An interpretable machine learning model for real-time sepsis prediction based on basic physiological indicators. European Review for Medical and Pharmacological Sciences. 2023;27(10):4348-4356. https://doi.org/10.26355/eurrev_202305_32439
Kenzaka T, Okayama M, Kuroki S, Fukui M, Yahata S, Hayashi H, Kitao A, Sugiyama D, Kajii E, Hashimoto M. Importance of vital signs to the early diagnosis and severity of sepsis: Association between vital signs and sequential organ failure assessment score in patients with sepsis. Internal Medicine. 2012;51(8):871-876. https://doi.org/10.2169/internalmedicine.51.6951
Gando S, Shiraishi A, Abe T, Kushimoto S, Mayumi T, Fujishima S, Hagiwara A, Shiino Y, Shiraishi S ichiro, Hifumi T, Otomo Y, Okamoto K, Sasaki J, Takuma K, Yamakawa K, Hoshino A, Abe T, Sugita M, Hanaki Y, Hagiwara A, Shiino Y, Harada M, Yoshihara H, Takuma K, Otomo Y, Morino K, Shimizu Y, Ishikura H, Hifumi T, Deguchi Y, Nachi S, Gando S, Okamoto K, Kawakami M, Fujishima S, Sasaki J, Maehara J, Okada K, Josesa J, Kiyota K, Miki Y, Koike K, Muroya T, Yamashita H, Mayumi T, Anan H, Kaneko T, Kittaka H, Yamaguchi H. The SIRS criteria have better performance for predicting infection than qSOFA scores in the emergency department. Scientific Reports. 2020;10(1):8095. https://doi.org/10.1038/s41598-020-64314-8
Giamarellos-Bourboulis EJ, Tsangaris I, Kanni T, Mouktaroudi M, Pantelidou I, Adamis G, Atmatzidis S, Chrisofos M, Evangelopoulou V, Frantzeskaki F, Giannopoulos P, Giannikopoulos G, Gialvalis D, Gourgoulis GM, Kotzampassi K, Katsifa K, Kofinas G, Kontopidou F, Koratzanis G, Koulouras V, Koutsikou A, Koupetori M, Kritselis I, Leonidou L, Mega A, Mylona V, Nikolaou H, Orfanos S, Panagopoulos P, Paramythiotou E, Papadopoulos A, Papanikolaou X, Pavlaki M, Polychronopoulos V, Skoutelis A, Theodotou A, Vassiliaghou M, Douzinas EE, Gogos C, Armaganidis A. Procalcitonin as an early indicator of outcome in sepsis: A prospective observational study. Journal of Hospital Infection. 2011;77(1):58-63. https://doi.org/10.1016/j.jhin.2010.07.026
Обедин А.Н., Васильев А.Ю. Значимость новых маркеров для диагностики неонатального сепсиса. Анестезиология и реаниматология. 2021;(2):45-49. https://doi.org/10.17116/anaesthesiology202102145
Delahanty RJ, Alvarez JA, Flynn LM, Sherwin RL, Jones SS. Development and Evaluation of a Machine Learning Model for the Early Identification of Patients at Risk for Sepsis. Annals of Emergency Medicine. 2019;73(4):334-344. https://doi.org/10.1016/j.annemergmed.2018.11.036
Kaji DA, Zech JR, Kim JS, Cho SK, Dangayach NS, Costa AB, Oermann EK. An attention based deep learning model of clinical events in the intensive care unit. PLoS One. 2019;14(2):0211057. https://doi.org/10.1371/journal.pone.0211057
Duan Y, Huo J, Chen M, Hou F, Yan G, Li S, Wang H. Early prediction of sepsis using double fusion of deep features and handcrafted features. Applied Intelligence. 2023;53(14):17903-17919. https://doi.org/10.1007/s10489-022-04425-z
Williams TA, Ho KM, Dobb GJ, Finn JC, Knuiman M, Webb SAR. Effect of length of stay in intensive care unit on hospital and long-term mortality of critically ill adult patients. British Journal of Anaesthesia. 2010;104(4):459-464. https://doi.org/10.1093/bja/aeq025
Rangan ES, Pathinarupothi RK, Anand KJS, Snyder MP. Performance effectiveness of vital parameter combinations for early warning of sepsis — an exhaustive study using machine learning. JAMIA Open. 2022;5(4):1-11. https://doi.org/10.1093/jamiaopen/ooac080
Amland RC, Haley JM, Lyons JJ. A Multidisciplinary Sepsis Program Enabled by a Two-Stage Clinical Decision Support System: Factors That Influence Patient Outcomes. American Journal of Medical Quality. 2016;31(6): 501-508. https://doi.org/10.1177/1062860615606801
Narayanan N, Gross AK, Pintens M, Fee C, Macdougall C. Effect of an electronic medical record alert for severe sepsis among ED patients. American Journal of Emergency Medicine. 2016;34(2):185-188. https://doi.org/10.1016/j.ajem.2015.10.005
Tafelski S, Nachtigall I, Deja M, Tamarkin A, Trefzer T, Halle E, Wernecke KD, Spies C. Computer-assisted Decision Support for Changing Practice in Severe Sepsis and Septic Shock. The Journal of International Medical Research. 2010;38(5):1605-1616. https://doi.org/10.1177/147323001003800505
Liu VX, Fielding-Singh V, Greene JD, Baker JM, Iwashyna TJ, Bhattacharya J, Escobar GJ. The timing of early antibiotics and hospital mortality in sepsis. American Journal of Respiratory Critical Care Medicine. 2017;196(7):856-863. https://doi.org/10.1164/rccm.201609-1848OC
Islam KR, Prithula J, Kumar J, Tan TL, Reaz MBI, Sumon MSI, Chowdhury MEH. Machine Learning-Based Early Prediction of Sepsis Using Electronic Health Records: A Systematic Review. Journal of Clinical Medicine. 2023;12(17):12175658. https://doi.org/10.3390/jcm12175658
Liu Z, Shu W, Li T, Zhang X, Chong W. Interpretable machine learning for predicting sepsis risk in emergency triage patients. Scientific Reports. 2025; 15(1):887. https://doi.org/10.1038/s41598-025-85121-z
Seymour CW, Kennedy JN, Wang S, Chang CCH, Elliott CF, Xu Z, Berry S, Clermont G, Cooper G, Gomez H, Huang DT, Kellum JA, Mi Q, Opal SM, Talisa V, Van Der Poll T, Visweswaran S, Vodovotz Y, Weiss JC, Yealy DM, Yende S, Angus DC. Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis. JAMA. 2019;321(20):2003-2017. https://doi.org/10.1001/jama.2019.5791
Hao C, Hao R, Zhao H, Zhang Y, Sheng M, An Y. Identification and validation of sepsis subphenotypes using time-series data. Heliyon. 2024;10(7): e28520. https://doi.org/10.1016/j.heliyon.2024.e28520
van Amstel RBE, Kennedy JN, Scicluna BP, Bos LDJ, Peters-Sengers H, Butler JM, Cano-Gamez E, Knight JC, Vlaar APJ, Cremer OL, Angus DC, van der Poll T, Seymour CW, van Vught LA, de Beer FM, Bos LDJ, Glas GJ, Hoogendijk AJ, van Hooijdonk RTM, Horn J, Huson MA, Schouten LRA, Schultz MJ, Scicluna BP, Straat M, van Vught LA, Wieske L, Wiewel MA, Witteveen E, Bonten MJM, Cremer OM, Ong DSY, Frencken JF, Klouwenberg PMCK, Koster-Brouwer ME, van de Groep K, Verboom DM. Uncovering heterogeneity in sepsis: a comparative analysis of subphenotypes. Intensive Care Medicine. 2023;49(11):1360-1369. https://doi.org/10.1007/s00134-023-07239-w
Sinha P, Kerchberger VE, Willmore A, Chambers J, Zhuo H, Abbott J, Jones C, Wickersham N, Wu N, Neyton L, Langelier CR, Mick E, He J, Jauregui A, Churpek MM, Gomez AD, Hendrickson CM, Kangelaris KN, Sarma A, Leligdowicz A, Delucchi KL, Liu KD, Russell JA, Matthay MA, Walley KR, Ware LB, Calfee CS. Identifying molecular phenotypes in sepsis: an analysis of two prospective observational cohorts and secondary analysis of two randomised controlled trials. Lancet Respiratory Medicine. 2023;11(11):965-974. https://doi.org/10.1016/S2213-2600(23)00237-0
Bartek B, Maddali M, van Amstel RBE, van der Poll T, Cremer O, Consortium M, Bos LDJ, Sinha P, Calfee CS. P-2237. Mortality and Causative Pathogens of Sepsis Differ by Molecular Phenotype in a Secondary Analysis of MARS. Open Forum Infectious Diseases. 2025;12(Suppl 1):2390. https://doi.org/10.1093/ofid/ofae631.2390