Predicting Allogeneic Blood Transfusion Use in Total Joint Arthroplasty
Notice bibliographique
Résumé
In Brief Total joint arthroplasty (TJA) patients often receive allogeneic blood transfusion. In this study we sought to create and validate a clinical prediction rule for transfusion in TJA using data that are easily available when scheduling the procedure. Logistic regression modeling was applied to retrospective data from all TJA procedures performed in Edmonton, Alberta in 2000 (n = 1875). The area under the receiver operating curve for the resulting model in the training and validation data sets was 0.80 and 0.76 respectively. By assigning a simple score based on six independent predictors (age, gender, weight, hemoglobin, ASA operative risk classification and whether revision surgery was planned), it was possible to classify a given subject’s risk of receiving allogeneic transfusion. We conclude that accurate prediction of transfusion risk in TJA is possible using a rule based on simple preoperative clinical and laboratory data. Such prediction could allow transfusion prevention strategies to be applied selectively to those at greatest risk. IMPLICATIONS: The use of allogeneic blood in patients undergoing joint replacement surgery was modeled statistically. A prediction rule was created from this model. It estimates a given patient’s risk of transfusion during total joint arthroplasty and can be used to target transfusion risk reduction measures more effectively.
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 ».