PREDICTING THE OCCURRENCE OF MAJOR ADVERSE CARDIAC EVENTS WITHIN 30 DAYS AFTER A PATIENT'S VASCULAR SURGERY: AN INDIVIDUAL PATIENT-DATA META-ANALYSIS
Notice bibliographique
Résumé
Introduction Major adverse cardiac events (MACE) – which include cardiac death and non-fatal myocardial infarction – are severe harmful outcomes that commonly arise after elective non-cardiac vascular surgeries. Current preoperative risk prediction models are not as effective in predicting post-operative outcomes. This talk will discuss the key results of an individual patient-data meta-analysis, based on data from six cohort studies of patients undergoing vascular surgery. Objectives We aimed to determine a prediction model that dichotomizes patients into high and low risk categories of MACE within 30 days after noncardiac vascular surgery. Approach This is an application of the minimum p-value method (MPM) to determine the optimal cut-off points for: (i) B-type naturietic peptide (BNP) and (ii) N-terminal pro B-type natriuretic peptide (NTproBNP) in predicting MACE within 30 days after non-cardiac vascular surgery. Elevated concentrations of these hormones are secreted into the blood in response to heart failure. We compare results from MPM with those based on the receiver operating characteristic (ROC) curve approach using logistic regression; develop and validate the prediction rule for MACE; and assess the robustness of the results under different statistical models. Results The ROC curve approach (applied by Rodseth and colleagues) identified 116pg/mL and 277.5pg/mL as the optimal thresholds for BNP and NTproBNP, respectively. The minimum p-value method dichotomized these covariates as BNP: 115.57pg/mL (p<0.0001) and NTproBNP: 241.7pg/mL (p=0.0001). Our logistic regression analysis identified MINP_thrshld, the indicator variable of our MPM results for BNP and NTproBNP, as a stronger covariate than our ROC curve results. Our final prediction model contained variables MINP_thrshld, the type of surgery, and diabetes mellitus. Internal validation was performed using bootstrapping while mixed effects logistic regression and generalized estimating equations were performed for sensitivity analysis. Although our model was validated using 1000 samples, it was not robust against methods that accounted for clustering effects. Conclusion As current preoperative risk stratification models are not as effective in predicting post-operative outcomes for vascular surgery patients, clinicians are at an advantage in using this model for the ease and accuracy that it provides. Further exploration into clustering effects is needed for determining the best model.
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 | 0,034 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,063 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».