Predicting In-Hospital Mortality in Patients Undergoing Complex Gastrointestinal Surgery
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
OBJECTIVE: To compare the performance of Charlson/Deyo, Elixhauser, Disease Staging, and All Patient Refined Diagnosis-Related Groups (APR-DRGs) algorithms for predicting in-hospital mortality after 3 types of major abdominal surgeries: gastric, hepatic, and pancreatic resections. DESIGN: Cross-sectional nationwide sample. SETTING: Nationwide Inpatient Sample from 2002 to 2007. PATIENTS: Adult patients (≥18 years) hospitalized with a primary or secondary procedure of gastric, hepatic, or pancreatic resection between 2002 and 2007. MAIN OUTCOME MEASURES: Predicting in-hospital mortality using the 4 comorbidity algorithms. Logistic regression analyses were used and C statistics were calculated to assess the performance of the indexes. Risk adjustment methods were then compared. RESULTS: In our study, we identified 46,395 gastric resections, 18,234 hepatic resections, and 15,443 pancreatic resections. Predicted in-hospital mortality rates according to the adjustment methods agreed for 43.8% to 74.6% of patients. In all types of resections, the APR-DRGs and Disease Staging algorithms predicted in-hospital mortality better than the Charlson/Deyo and Elixhauser indexes (P < .001). Compared with the Charlson/Deyo algorithm, the Elixhauser index was of higher accuracy in gastric resections (0.847 vs 0.792), hepatic resections (0.810 vs 0.757), and pancreatic resections (0.811 vs 0.741) (P < .001 for all comparisons). Higher accuracy of the Elixhauser algorithm compared with the Charlson/Deyo algorithm was not affected by diagnosis rank, multiple surgeries, or exclusion of transplant patients. CONCLUSIONS: Different comorbidity algorithms were validated in the surgical setting. The Disease Staging and APR-DRGs algorithms were highly accurate. For commonly used algorithms such as Charlson/Deyo and Elixhauser, the latter showed higher 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| 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