Comparing CATCH, CHALICE and PECARN clinical decision rules for paediatric head injuries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many children present to emergency departments following head injury (HI), with a small number at risk of avoidable poor outcome. Difficulty identifying such children, coupled with increased availability of cranial CT, has led to variation in practice and increased CT rates. Clinical decision rules (CDRs) have been derived for paediatric HI but there is no published comparison to assist in deciding which to implement. The content of the three of highest quality and accuracy are described and compared. Systematic reviews of paediatric HI CDRs were published in 2009 and 2011. To identify CDRs published since the most recent review, key databases were searched, selecting studies which included CDRs involving children aged 0-18 years with a history of HI. Quality was assessed using the Quality Assessment of Diagnostic Accuracy Studies Tool, and performance evaluated by reported accuracy. Three high quality CDRs were identified: CATCH (Canadian Assessment of Tomography for Childhood Head Injury) CHALICE (Children's Head Injury Algorithm for the Prediction of Important Clinical Events) and PECARN (Paediatric Emergency Care Applied Research Network). All were derived with high methodological standards but differed in key areas, including study population, outcomes and severity of HI. Each stated different predictor variables and only PECARN provided a separate algorithm for young children. CATCH and CHALICE identify children requiring CT and PECARN those who do not. All perform with high sensitivity and low specificity. PECARN is the only validated CDR, and none has undergone impact analysis. These three CDRs should undergo validation and comparison in a single population, with analysis of their impact on practice and financial implications, to aid relevant bodies in deciding which to implement.
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.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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 | 0,002 |
| 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 découle