Applicability of the CATCH, CHALICE and PECARN paediatric head injury clinical decision rules: pilot data from a single Australian centre
Notice bibliographique
Résumé
BACKGROUND: Clinical decision rules (CDRs) for paediatric head injury (HI) exist to identify children at risk of traumatic brain injury. Those of the highest quality are the Canadian assessment of tomography for childhood head injury (CATCH), Children's head injury algorithm for the prediction of important clinical events (CHALICE) and Pediatric Emergency Care Applied Research Network (PECARN) CDRs. They target different cohorts of children with HI and have not been compared in the same setting. We set out to quantify the proportion of children with HI to which each CDR was applicable. METHODS: Consecutive children presenting to an Australian paediatric Emergency Department with HIs were enrolled. Published inclusion/exclusion criteria and predictor variables from the CDRs were collected prospectively. Using these we determined the frequency with which each CDR was applicable. RESULTS: 1012 patients (69.9%) were enrolled with 949 available for analysis. Mean age was 6.8 years (21% <2 years). 95% had initial Glasgow Coma Scale 15. CT rate was 12.8% and neurosurgery rate was 0.7%. No CDR was applicable to all patients. CHALICE was applicable to the most (97%, 95% CI 96% to 98%) and CATCH to the fewest (26%, 95% CI 24% to 29%). PECARN was applicable to 76% (95% CI 70% to 82%) aged <2 years, and 74% (95% CI 71% to 77%) aged 2-<18 years. CONCLUSIONS: Each CDR is applicable to a different proportion of children with HI. This makes a direct comparison of the CDRs difficult. Prior to selection of any for implementation they should undergo validation outside the derivation setting coupled with an analysis of their performance accuracy, usability and cost effectiveness.
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 | 0,003 | 0,002 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».