Early prediction of outcome after severe traumatic brain injury: a simple and practical model
Notice bibliographique
Résumé
BACKGROUND: Traumatic brain injury (TBI) is a heterogeneous syndrome with a broad range of outcome. We developed a simple model for long-term outcome prognostication after severe TBI. METHODS: Secondary data analysis of a large multicenter randomized trial. Patients were grouped according to 6-month extended Glasgow outcome scale (eGOS): poor-outcome (eGOS ≤ 4; severe disability or death) and acceptable outcome (eGOS > 4; no or moderate disability). A prediction decision tree was built using binary recursive partitioning to predict poor or acceptable 6-month outcome. Comparison to two previously published and validated models was made. RESULTS: The decision tree included the predictors of head Abbreviated Injury Scale (AIS) severity, the Marshall computed tomography score, and pupillary reactivity. All patients with a head AIS severity of 5 were predicted to have a poor outcome. In patients with head AIS severity < 5, the model predicted an acceptable outcome for (1) those with Marshall score of 1, and (2) those with Marshall score above 1 but with reactive pupils at admission. The decision tree had a sensitivity of 72.3 % (95 % CI: 66.4-77.6 %) and specificity of 62.5 % (95 % CI: 54.9-69.6 %). The proportion correctly classified for the comparison models was similar to our model. Our model was more apt at correctly classifying those with poor outcome but more likely to misclassify those with acceptable outcome than the comparison models. CONCLUSION: Predicting long-term outcome early after TBI remains challenging and inexact. This model could be useful for research and quality improvement studies to provide an early assessment of injury severity, but is not sufficiently accurate to guide decision-making in the clinical setting.
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 | 0,002 |
| 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) | 0,001 | 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 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 ».