In‐hospital mortality risk prediction after percutaneous coronary interventions: Validating and updating the toronto score in Brazil
Notice bibliographique
Résumé
OBJECTIVES: We aimed to assess the accuracy of the simple, contemporary and well-designed Toronto PCI mortality risk score in ICP-BR registry, the first Brazilian PCI multicenter registry with follow-up information. BACKGROUND: Estimating percutaneous coronary intervention (PCI) mortality risk by a clinical prediction model is imperative to help physicians, patients and family members make informed clinical decisions and optimize participation in the consent process, reducing anxiety and improving quality of care. At a healthcare system level, risk prediction scores are essential to measure and benchmark performance. METHODS: Between 2009 and 2013, a cohort of 4,806 patients from the ICP-BR registry, treated with PCI in eight tertiary referral medical centers, was included in the analysis. This population was compared to 10,694 patients of the derivation dataset from the Toronto study. To assess predictive performance, an update of the model was performed by three different methods, which were compared by discrimination, calculating the area under the receiver operating characteristic curve (AUC), and by calibration, assessed through Hosmer-Lemeshow (H-L) test and graphical analysis. RESULTS: Death occurred in 2.6% of patients in the ICP-BR registry and in 1.3% in the Toronto cohort. The median age was 64 and 63 years, 23.8 and 32.8% were female, 28.6 and 32.3% were diabetics, respectively. Through recalibration of intercept and slope (AUC = 0.8790; H-L P value = 0.3132), we achieved a well-calibrated and well-discriminative model. CONCLUSIONS: After updating to our dataset, we demonstrated that the Toronto PCI in-hospital mortality risk score performed well in Brazilian hospitals.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 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 ».