Mortality risk prediction in coronary surgery: a locally developed model outperforms external risk models
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
This study aimed at assessing the performance of three external risk-adjusted models - logistic EuroSCORE, Parsonnet score and Ontario Province Risk (OPR) score - in predicting in-hospital mortality in patients submitted to coronary artery bypass graft (CABG) and to develop a local risk-score model. Data on 4567 patients who underwent isolated CABG (1992-2001) were extracted from our clinical database. Hospital mortality was 0.96% (44 patients). For the three external systems, observed and predicted mortalities were compared, and discrimination and calibration were assessed. A local risk model was developed and validated by means of logistic regression and bootstrap analysis. The EuroSCORE predicted a mortality of 2.34% (P<0.001 vs. observed), the Parsonnet 4.43% (P<0.0001) and the OPR 1.66% (P<0.005). All models overestimated mortality significantly in almost all tertile risk groups. The areas under the ROC curve (AUC) for EuroSCORE, Parsonnet and OPR were 0.754, 0.664 and 0.683, respectively. The local model exhibited good calibration and discrimination AUC, 0.752. In conclusion, the three risk-score systems analyzed do not accurately predict in-hospital mortality in our coronary surgery patients; hence their use for risk prediction may not be appropriate in our population. We developed a risk-prediction model that can be used as an instrument to provide accurate information about the risk of in-hospital mortality in our patient population.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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