Prognostic value of Pneumonia Severity Index, CURB-65, CRB-65, and procalcitonin in community-acquired pneumonia in Singapore
Notice bibliographique
Résumé
Objective: The purpose of this study was to evaluate the performance of three severity scoring tools and procalcitonin (PCT) in severity stratification and mortality prediction among patients with community-acquired pneumonia (CAP) in Singapore. Methods: The method used was a retrospective observational study of all the consecutive patients with CAP admitted through the emergency department of Singapore General Hospital between 2012–2013. Results: Among 1902 study subjects, the overall 30-day mortality was 15.7%. The mortality rates for Pneumonia Severity Index (PSI) class I–III were 0, 0, and 3.7%, which were comparable to the original published data. CURB-65 and CRB-65 had higher mortality rates in all severity levels. In three levels of risk stratification, the low risk group of PSI (class I–III) included 42.6% of the patients with mortality rate of 1.9%, whereas the low risk group defined by CURB-65 (score 0–1) and CRB-65 (score 0) included 52.0% and 24.4% of the patients with higher mortality rates (7.3% and 4.5% respectively). PSI was the most sensitive in mortality prediction with area under receiver operating characteristic (ROC) curve of 0.82, higher than CURB-65 (0.71), CRB-65 (0.67), and PCT (0.63) ( p<0.001). The initial level of PCT was higher in non-survivors and intensive care unit (ICU)-admitted patients compared to survivors (0.91 vs 0.36 ng/ml, p<0.001) and non-ICU patients (3.70 vs 0.38 ng/ml, p<0.001). Incorporating PCT did not improve the discriminatory power of the scoring tools for mortality prediction. Conclusions: PSI was a reliable tool for severity stratification and morality prediction among the patients with CAP in Singapore.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».