The Trauma Risk Adjustment Model
Notice bibliographique
Résumé
In Brief Summary Background Data: The trauma injury severity score (TRISS) has been used for over 20 years for retrospective risk assessment in trauma populations. The TRISS has serious limitations, which may compromise the validity of trauma care evaluations. Objective: To derive and validate a new mortality prediction model, the trauma risk adjustment model (TRAM), and to compare the performance of the TRAM to that of the TRISS in terms of predictive validity and risk adjustment. Methods: The Quebec Trauma Registry (1998–2005), based on the mandatory participation of 59 designated provincial trauma centers, was used to derive the model. The American National Trauma Data Bank (2000–2005), based on the voluntary participation of any US hospitals treating trauma, was used for the validation phase. Adult patients with blunt trauma respecting at least one of the following criteria were included: hospital stay >2 days, intensive care unit admission, death, or hospital transfer. Hospital mortality was modeled with logistic generalized additive models using cubic smoothing splines to accommodate nonlinear relations to mortality. Predictive validity was assessed with model discrimination and calibration. Risk adjustment was assessed using comparisons of risk-adjusted mortality between hospitals. Results: The TRAM generated an area under the receiving operator curve of 0.944 and a Hosmer-Lemeshow statistic of 42 in the derivation phase. In the validation phase, the TRAM demonstrated better model discrimination and calibration than the TRISS (area under the receiving operator curve = 0.942 and 0.928, P < 0.001; Hosmer-Lemeshow statistics = 127 and 256, respectively). Replacing the TRISS with the TRAM led to a mean change of 28% in hospital risk-adjusted odds ratios of mortality. Conclusions: Our results suggest that adopting the TRAM could improve the validity of trauma care evaluations and trauma outcome research. The trauma and injury severity score has been used for over 2 decades for risk adjustment in trauma care assessment despite its documented limitations. The present study introduces the trauma risk adjustment model, which addresses the major limitations of the trauma and injury severity score and demonstrates significantly better predictive validity. Replacing the trauma and injury severity score with the trauma risk adjustment model has a measurable influence on the results of trauma centre mortality comparisons.
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 | 0,000 | 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 ».