Red Flags For Necrotizing Fasciitis: A Case Control Study
Notice bibliographique
Résumé
OBJECTIVE: to examine the diagnostic accuracy of traditional 'red flags' for necrotizing fasciitis (NF) on history and physical examination. METHODS: retrospective study of all cases of NF admitted to a large tertiary care hospital between January 1 2004 and December 31 2013, each matched to two control patients with cellulitis. We determined the diagnostic test characteristics of clinical features for distinguishing NF from cellulitis, with emphasis on positive (LR+) and negative (LR-) likelihood ratios. RESULTS: There were no individual findings with sufficient sensitivity to rule out NF (sensitivity ≤ 85% and LR- ≥ 0.5 for all findings). The clinical features that most significantly increased the odds of NF were recent surgery (LR+ 7.0) pain-out-of-proportion (LR+ 4.5), diarrhea (LR+ 6.0), hypotension (LR+ 8.0), altered mental status (LR+ 3.3), erythema progressing beyond margins (LR+3.1), fluctuance (LR+ 5.0), hemorrhagic bullae (LR+ 8.0) and skin necrosis (LR+ 30.0). Each individual finding conferred low sensitivity, but absence of all nine ruled out NF (LR- 0.04). The presence of >=3 findings ruled in NF (LR+ undefined). CONCLUSIONS: When considered together, the traditional 'red flags' for NF may be sufficient to rule in or rule out the diagnosis. If future prospective studies validate these findings, there will be a potential opportunity to expedite NF diagnosis and improve patient outcomes.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».