Development of a multivariate clinical prediction model for the diagnosis of mild stroke/TIA in physician first-contact patient settings
Notice bibliographique
Résumé
Abstract OBJECTIVE To develop a clinical prediction model for diagnosing mild stroke/transient ischemic attack (TIA) in first-contact patient settings. DESIGN: Retrospective study design utilizing logistic regression modeling of patient clinical symptoms collected from patient chart histories and referral data. SETTING: Regional fast-track TIA clinic on Vancouver Island, Canada, accepting referrals from emergency departments (ED) and general practice (GP). PARTICIPANTS: Model development: 4187 ED and GP referred patients from 2008–2011 who were assessed at the TIA clinic. Temporal hold-out validation: 1953 ED and GP referred patients from 2012–2013 assessed at the same clinic. OUTCOMES: Diagnosis of mild stroke/TIA by clinic neurologists. RESULTS: 123 candidate predictors were assessed using univariate feature selection for inclusion in the model, and culminated in the selection of 50 clinical features. Post-hoc investigation of the selected predictors revealed 12 clinically relevant interaction terms. Model performance on the temporal hold-out validation set achieved a sensitivity/specificity of 71.8% / 72.8% using the ROC01 cutpoint (≥ 0.662), and an AUC of 79.9% (95% CI, 77.9%–81.9%). In comparison, the ABCD2 score (≥ 4) achieved a sensitivity/specificity of 70.4% / 54.5% and an AUC of 67.5% (95% CI, 65.2%–69.9%). The logistic regression model demonstrated good calibration on the hold-out set (β 0 = −0.257); β linear = 1.047). CONCLUSIONS The developed diagnostic model performs better than the ABCD2 score at diagnosing mild stroke/TIA on the basis of clinical symptoms. The model has the potential to replace the use of the prognostic ABCD2 score in diagnostic medical contexts in which the ABCD2 score is currently used, such as patient triage.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».