Three-point transfusion risk score in hepatectomy
Notice bibliographique
Résumé
BACKGROUND: Perioperative red blood cell transfusions are required in up to 23 per cent of patients undergoing hepatectomy. Previous research has developed three transfusion risk scores to assess risk of perioperative red blood cell transfusion. Here, the performance of these transfusion risk scores was evaluated in a multicentre cohort of patients who underwent hepatectomy and compared with that of a simplified transfusion risk score. METHODS: A database of patients undergoing hepatectomy at four specialized centres between 2008 and 2012 was developed. External validity was assessed by discrimination and calibration. Discrimination was evaluated using the area under the receiver operating characteristic (ROC) curve (AUC). Calibration was evaluated by the degree of agreement between predicted and actual red blood cell transfusion probabilities. A simplified transfusion risk score using variables common to the three models was created, and discrimination and calibration were evaluated. RESULTS: There were 1287 patients included in this study, with 341 (26·5 per cent) receiving a red blood cell transfusion. Discriminative ability was similar between the three transfusion risk scores, with AUCs of 0·66-0·68 and good calibration. A new three-point risk score was developed based on factors present in all models: haemoglobin 12·5 g/dl or less, primary liver malignancy and major resection (at least 4 segments). Discriminative ability and calibration of the three-point model were similar to those of the three existing models, with an AUC of 0·66. CONCLUSION: The three-point transfusion risk score simplifies assessment of perioperative transfusion risk in hepatectomy without sacrificing predictive ability.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».