Prediction of Neonatal Outcomes in Extremely Preterm Neonates
Notice bibliographique
Résumé
OBJECTIVE: To develop and validate a statistical prediction model spanning the severity range of neonatal outcomes in infants born at ≤ 30 weeks' gestation. METHODS: A national cohort of infants, born at 23 to 30 weeks' gestation and admitted to level III NICUs in Canada in 2010-2011, was identified from the Canadian Neonatal Network database. A multinomial logistic regression model was developed to predict survival without morbidities, mild morbidities, severe morbidities, or mortality, using maternal, obstetric, and infant characteristics available within the first day of NICU admission. Discrimination and calibration were assessed using a concordance C-statistic and the Cg goodness-of-fit test, respectively. Internal validation was performed using a bootstrap approach. RESULTS: Of 6106 eligible infants, 2280 (37%) survived without morbidities, 1964 (32%) and 1251 (21%) survived with mild and severe morbidities, respectively, and 611 (10%) died. Predictors in the model were gestational age, small (<10th percentile) for gestational age, gender, Score for Neonatal Acute Physiology version II >20, outborn status, use of antenatal corticosteroids, and receipt of surfactant and mechanical ventilation on the first day of admission. High model discrimination was confirmed by internal bootstrap validation (bias-corrected C-statistic = 0.899, 95% confidence interval = 0.894-0.903). Predicted probabilities were consistent with the observed outcomes (Cg P value = .96). CONCLUSIONS: Neonatal outcomes ranging from mortality to survival without morbidity in extremely preterm infants can be predicted on their first day in the NICU by using a multinomial model with good discrimination and calibration. The prediction model requires additional external validation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 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 ».