Predicting functional outcome after stroke by modelling baseline clinical and CT variables
Notice bibliographique
Résumé
Background: we aimed to assess whether the performance of stroke outcome models comprising simple clinical variables could be improved by the addition of more complex clinical variables and information from the first computed tomography (CT) scan. Methods: 538 consecutive acute ischaemic and haemorrhagic stroke patients were enrolled in a Stroke Outcome Study between 2001 and 2002. Independent survival (modified Rankin scale ≤2) was assessed at 6 months. Models based on clinical and radiological variables from the first assessment were developed using multivariate logistic regression analysis. Results: three models were developed (I–III). Model I included age, pre-stroke independence, arm power and a stroke severity score (area under a receiver operating characteristic curve, AUC = 0.882) but performed no better than Model II, which comprised age, pre-stroke independence, normal verbal component of the Glasgow coma score, arm power and being able to walk without assistance (AUC 0.876). Model III, including two radiological variables and clinical variables, was not statistically superior to model II (AUC 0.901, P = 0.12). Model II was externally validated in two independent datasets (AUCs of 0.773 and 0.787). Conclusion: this study demonstrates an externally validated stroke outcome prediction model using simple clinical variables. Outcome prediction was not significantly improved with CT-derived radiological variables or more complex clinical variables.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».