The Acute Patient Physiologic and Laboratory Evaluation (APPLE) Score: A Severity of Illness Stratification System for Hospitalized Dogs
Notice bibliographique
Résumé
BACKGROUND: Objective risk stratification models are used routinely in human critical care medicine. Applications include quantitative and objective delineation of illness severity for patients enrolled in clinical research, performance benchmarking, and protocol development for triage and therapeutic management. OBJECTIVE: To develop an accurate, validated, and user-friendly model to stratify illness severity by mortality risk in hospitalized dogs. ANIMALS: Eight hundred and ten consecutive intensive care unit (ICU) admissions of dogs at a veterinary teaching hospital. METHODS: Prospective census cohort study. Data on 55 management, physiological, and biochemical variables were collected within 24 hours of admission. Data were randomly divided, with 598 patient records used for logistic regression model construction and 212 for model validation. RESULTS: Patient mortality was 18.4%. Ten-variable and 5-variable models were developed to provide both a high-performance model and model maximizing accessibility, while maintaining good performance. The 10-variable model contained creatinine, WBC count, albumin, SpO(2) , total bilirubin, mentation score, respiratory rate, age, lactate, and presence of free fluid in a body cavity. Area under the receiver operator characteristic (AUROC) on the construction data set was 0.93, and on the validation data set was 0.91. The 5-variable model contained glucose, albumin, mentation score, platelet count, and lactate. AUROC on the construction data set was 0.87, and on the validation data set was 0.85. CONCLUSIONS AND CLINICAL IMPORTANCE: Two models are presented that enable allocation of an accurate and user-friendly illness severity index for dogs admitted to an ICU. These models operate independent of primary diagnosis, and have been independently validated.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».