Pneumonia Severity Index in the Immunocompromised
Notice bibliographique
Résumé
BACKGROUND: The pneumonia severity index (PSI) accounts for many comorbidities, but not immunosuppression. OBJECTIVES: To document the utility of the PSI to predict mortality in immunocompromised patients (IP) with community-acquired pneumonia (CAP). METHODS: Charts of 284 patients with immunosuppression and CAP were reviewed, and these patients were compared with a contemporary sample of non-IP with CAP. The ability of the PSI to predict mortality was assessed by using multiple logistic regression. Discrimination of the PSI was studied by using the concordance index. RESULTS: Thirty-nine of 284 IP died. Mortality varied according to the etiology of the immunosuppression. Patients with HIV, solid organ transplantation or treatment with immunosuppressive drugs (n=118) had a low in-hospital mortality (4.3%) and were classified as low risk. IP with hematological malignancies, chemotherapy, chest radiation or marrow transplantation (n=166) had a high mortality (20%) and were classified as high risk. Compared with non-IP, low-risk IP had similar PSI-controlled mortality (OR=0.9, P=0.80), whereas high-risk IP had significantly greater mortality (OR=2.8, P<0.0001). The concordance index revealed similar discrimination for the PSI in low-risk IP (0.77) and in non-IP (0.7), but inferior discrimination in high-risk patients (0.6). CONCLUSIONS: Patients with CAP and immunosuppression can be divided into low-risk and high-risk groups. The low-risk IP have mortality similar to non-IP and can be risk stratified by using the PSI.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».