The New Injury Severity Score: A More Accurate Predictor of In-Hospital Mortality than the Injury Severity Score
Notice bibliographique
Résumé
OBJECTIVE: The purpose of this study was to determine whether the New Injury Severity Score (NISS) is a better predictor of mortality than the Injury Severity Score (ISS) in general and in subgroups according to age, penetrating trauma, and body region injured. METHODS: The study population consisted of 24,263 patients from three urban Level I trauma centers in the province of Quebec, Canada. Discrimination and calibration of NISS and ISS models were compared using receiver operator characteristic (ROC) curves and Hosmer-Lemeshow statistics. RESULTS: NISS showed better discrimination than ISS (area under the ROC curve = 0.827 vs. 0.819; p = 0.0006) and improved calibration (Hosmer-Leme-show = 62 vs. 112). The advantage of the NISS over the ISS was particularly evident among patients with head/neck injuries (area under the ROC curve = 0.819 vs. 0.784; p < 0.0001; Hosmer-Lemeshow = 59 vs. 350). CONCLUSION: The NISS is a more accurate predictor of in-hospital death than the ISS and should be chosen over the ISS for case-mix control in trauma research, especially in certain subpopulations such as head/neck-injured patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».