Risk Factors for Mortality in Patients with Alcoholic Hepatitis and Assessment of Prognostic Models: A Population-Based Study
Notice bibliographique
Résumé
BACKGROUND: Severe alcoholic hepatitis (AH) is associated with a substantial risk for short-term mortality. OBJECTIVES: To identify prognostic factors and validate well-known prognostic models in a Canadian population of patients hospitalized for AH. METHODS: In the present retrospective study, patients hospitalized for AH in Calgary, Alberta, between January 2008 and August 2012 were included. Stepwise logistic regression models identified independent risk factors for 90-day mortality, and the discrimination of prognostic models (Model for End-stage Liver Disease [MELD] and Maddrey discriminant function [DF]) were examined using areas under the ROC curves. RESULTS: A total of 122 patients with AH were hospitalized during the study period; the median age was 49 years (interquartile range [IQR] 42 to 55 years) and 60% were men. Median MELD score and Maddrey DF on admission were 21 (IQR 18 to 24) and 45 (IQR 26 to 62), respectively. Seventy-three percent of patients received corticosteroids and⁄or pentoxifylline, and the 90-day mortality was 17%. Independent predictors of mortality included older age, female sex, international normalized ratio, MELD score and Maddrey DF (all P<0.05). For discrimination of 90-day mortality, the areas under the ROC curves of the prognostic models (MELD 0.64; Maddrey DF 0.68) were similar (P>0.05). At optimal cut-offs of ≥22 for MELD score and ≥37 for Maddrey DF, both models excluded death with high certainty (negative predictive values 90% and 96%, respectively). CONCLUSIONS: In patients hospitalized for AH, well-known prognostic models can be used to predict 90-day mortality, particularly to identify patients with a low risk for death.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».