Identifying Cardiac Syncope Based on Clinical History: A Literature-Based Model Tested in Four Independent Datasets
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
BACKGROUND: We aimed to develop and test a literature-based model for symptoms that associate with cardiac causes of syncope. METHODS AND RESULTS: Seven studies (the derivation sample) reporting ≥2 predictors of cardiac syncope were identified (4 Italian, 1 Swiss, 1 Canadian, and 1 from the United States). From these, 10 criteria were identified as diagnostic predictors. The conditional probability of each predictor was calculated by summation of the reported frequencies. A model of conditional probabilities and a priori probabilities of cardiac syncope was constructed. The model was tested in four datasets of patients with syncope (the test sample) from Calgary (n=670; 21% had cardiac syncope), Amsterdam (n=503; 9%), Milan (n=689; 5%) and Rochester (3877; 11%). In the derivation sample ten variables were significantly associated with cardiac syncope: age, gender, structural heart disease, low number of spells, brief or absent prodrome, supine syncope, effort syncope, and absence of nausea, diaphoresis and blurred vision. Fitting the test datasets to the full model gave C-statistics of 0.87 (Calgary), 0.84 (Amsterdam), 0.72 (Milan) and 0.71 (Rochester). Model sensitivity and specificity were 92% and 68% for Calgary, 86% and 67% for Amsterdam, 76% and 59% for Milan, and 73% and 52% for Rochester. A model with 5 variables (age, gender, structural heart disease, low number of spells, and lack of prodromal symptoms) was as accurate as the total set. CONCLUSION: A simple literature-based Bayesian model of historical criteria can distinguish patients with cardiac syncope from other patients with syncope with moderate accuracy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 découle