Improving Trauma Mortality Prediction Modeling for Blunt Trauma
Notice bibliographique
Résumé
BACKGROUND: : Despite serious documented limitations, the Trauma Injury Severity Score (TRISS) is still used for risk adjustment in trauma system evaluation and clinical research. Several modifications have been proposed to address TRISS limitations. We aimed to assess the impact of proposed TRISS modifications on the accuracy of mortality prediction for blunt trauma. METHODS: : The Quebec Trauma Registry (QTR), based on a mature, regionalized trauma system with mandatory participation of all trauma centers as well as standardized inclusion criteria and coding practices, was used to evaluate TRISS modifications. The National Trauma Data Bank was then used to validate our findings. Gains in predictive accuracy were evaluated in logistic regression models of hospital mortality with the area under the receiving operator curve and the Hosmer-Lemeshow statistic. RESULTS: : When population-based weights, expanding age, modeling the Glasgow Coma Scale score as a quantitative variable, adding an indicator of comorbid status, and modeling quantitative variables with nonparametric functions to allow the expression of nonlinear relations to mortality were used, all were associated with a significant improvement in model discrimination. CONCLUSIONS: : Several modifications that have been proposed to address limitations of the TRISS lead to significant improvements in the accuracy of mortality prediction. This study provides valuable information in the quest to improve trauma mortality modeling.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».