The Assessment of Risk in Cardiothoracic Intensive Care ( <scp>ARC</scp> t <scp>IC</scp> ): prediction of hospital mortality after admission to cardiothoracic critical care
Notice bibliographique
Résumé
The models used to predict outcome after adult general critical care may not be applicable to cardiothoracic critical care. Therefore, we analysed data from the Case Mix Programme to identify variables associated with hospital mortality after admission to cardiothoracic critical care units and to develop a risk-prediction model. We derived predictive models for hospital mortality from variables measured in 17,002 patients within 24 h of admission to five cardiothoracic critical care units. The final model included 10 variables: creatinine; white blood count; mean arterial blood pressure; functional dependency; platelet count; arterial pH; age; Glasgow Coma Score; arterial lactate; and route of admission. We included additional interaction terms between creatinine, lactate, platelet count and cardiac surgery as the admitting diagnosis. We validated this model against 10,238 other admissions, for which the c index (95% CI) was 0.904 (0.89-0.92) and the Brier score was 0.055, while the slope and intercept of the calibration plot were 0.961 and -0.183, respectively. The discrimination and calibration of our model suggest that it might be used to predict hospital mortality after admission to cardiothoracic critical care units.
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 | 0,003 |
| 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 ».