Comparison of massive blood transfusion predictive models in the rural setting
Notice bibliographique
Résumé
BACKGROUND: Hemorrhage is the leading cause of preventable death in trauma patients, of which 3% require massive transfusion (MT). MT predictive models such as the Assessment of Blood Consumption (ABC), Trauma-Associated Severe Hemorrhage (TASH), and McLaughlin scores have been developed, but only included patients requiring blood transfusion during their hospital stay, excluding a large percentage of trauma patients. Our purpose was to validate these MT predictive models in our rural Level I trauma center patient population, using all major trauma victims, regardless of blood product requirements. METHODS: Review of all Level I trauma patients admitted in 2008 to 2009 was performed. ABC, TASH, and McLaughlin scores were calculated using 80% probability for the need for MT. RESULTS: Three hundred seventy-three patients were admitted; 13% had a penetrating mechanism and 52% were scene transports. MT patients had higher Injury Severity Score (median, 43 vs. 13; p < 0.001) and lower Trauma-Injury Severity Score (0.310 vs. 0.983; p < 0.001). Mortality was higher in MT patients (18.4% vs. 5.4%; p < 0.009). Thirty-eight (10%) required MT; 34 were predicted by ABC, one by TASH, and six by McLaughlin. ABC (area under the receiver operating characteristic [AUROC] = 0.86) was predictive of MT, whereas TASH (AUROC = 0.51) and McLaughlin (AUROC = 0.56) were not. CONCLUSIONS: The ABC score correctly identified 89% of MT patients and was predictive of MT in major trauma patients at our rural Level I trauma center; the TASH and McLaughlin scores were not. The ABC score is simpler, faster, and more accurate. Based on this work, we strongly recommend adoption of the ABC score for MT prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».