Towards Development of a Survival Prediction Tool for Pediatric Head Injury
Notice bibliographique
Résumé
BACKGROUND: The ability to provide an accurate prognosis for children with traumatic brain injury (TBI) would be useful for the children's families and the caregivers. In this study we examined whether an appropriate mathematical model can predict survival in this patient population. METHODS: Data from the Children's Hospital of Eastern Ontario (CHEO) TBI registry was analyzed. First, a series of univariate logistic regressions was performed to ascertain the significance of individual predictors, such as age, maximum Glasgow Coma Scale (GCS) score, maximum head injury Abbreviated Injury Scores (AIS) and the Injury Severity Score (ISS). Second, a multinomial logistic regression was fitted using only individually significant predictors and inmodel predictor significance, and interactions were tested. Only two significant predictors were kept in the final model. This final model was subsequently used to predict survival for each individual patient using the n-1 training set (i.e. Lachenbruch's leave-one-out method). The receiver operating characteristics (ROC) method was used to ascertain specificity-sensitivity trade-offs at different probability cut-offs in order to predict survival. RESULTS: Only the maximum GCS and head injury AIS remained significant, both individually and in the polynomial logistic regression. Empiric ROC curve analyses from leave-one-out survival predictions showed statistical significance (area under the curve = 0.87, Z = 6.8, p < 0.001). Only 12% of cases were misclassified using the 'best' cut-off. CONCLUSION: An outcome predictive model for pediatric TBI can be devised using an appropriate mathematical model. It may help to estimate expected outcomes in pediatric TBI more objectively.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».