Risk factors for and prediction of mortality in critically ill medical–surgical patients receiving heparin thromboprophylaxis
Notice bibliographique
Résumé
BACKGROUND: Previous studies have suggested that prediction models for mortality should be adjusted for additional risk factors beyond the Acute Physiology and Chronic Health Evaluation (APACHE) score. Our objective was to identify risk factors independent of APACHE II score and construct a prediction model to improve the predictive accuracy for hospital and intensive care unit (ICU) mortality. METHODS: We used data from a multicenter randomized controlled trial (PROTECT, Prophylaxis for Thromboembolism in Critical Care Trial) to build a new prediction model for hospital and ICU mortality. Our primary outcome was all-cause 60-day hospital mortality, and the secondary outcome was all-cause 60-day ICU mortality. RESULTS: We included 3746 critically ill non-trauma medical-surgical patients receiving heparin thromboprophylaxis (43.3 % females) in this study. The new model predicting 60-day hospital mortality incorporated APACHE II score (main effect: hazard ratio (HR) = 0.97 for per-point increase), body mass index (BMI) (main effect: HR = 0.92 for per-point increase), medical admission versus surgical (HR = 1.67), use of inotropes or vasopressors (HR = 1.34), acetylsalicylic acid or clopidogrel (HR = 1.27) and the interaction term between APACHE II score and BMI (HR = 1.002 for per-point increase). This model had a good fit to the data and was well calibrated and internally validated. However, the discriminative ability of the prediction model was unsatisfactory (C index < 0.65). Sensitivity analyses supported the robustness of these findings. Similar results were observed in the new prediction model for 60-day ICU mortality which included APACHE II score, BMI, medical admission and invasive mechanical ventilation. CONCLUSION: Compared with the APACHE II score alone, the new prediction model increases data collection, is more complex but does not substantially improve discriminative ability. TRIAL REGISTRATION: ClinicalTrials.gov Identifier: NCT00182143.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».