High Risk Clinical Features for Acute Aortic Dissection: A Case–Control Study
Notice bibliographique
Résumé
BACKGROUND: Acute aortic dissection (AAD) is a rare condition with a high mortality that is often missed. The objective of our study was to assess the diagnostic accuracy of clinical and laboratory findings for AAD, in confirmed cases of AAD and in a low-risk control group. METHODS: This was a historical matched case-control study: participants were adults > 18 years old presenting to two tertiary care emergency departments (EDs) or one regional cardiac referral center. Cases were patients with new ED or in-hospital diagnosis of nontraumatic AAD confirmed by computed tomography or echocardiography. Controls were patients with a triage diagnosis of truncal pain (<14 days) and an absence of a clear diagnosis on basic investigation. Cases and controls were matched in a 1:4 ratio by sex and age. A sample size of 165 cases and 660 controls was calculated based on 80% power and confidence interval of 95% to detect an odds ratio of greater than 2. RESULTS: Data were collected from 2002 to 2014 yielding 194 cases of AAD and 776 controls (mean ± SD age = 65 ± 14.1 years; 66.7% male). Absence of abrupt-onset pain (sensitivity = 95.9%, negative likelihood ratio = 0.07 [0.03-0.14]) can help rule out AAD. Presence of tearing/ripping pain (specificity = 99.7%, positive likelihood ratio [LR+] = 42.1 [9.9-177.5]), aortic aneurysm (specificity = 97.8%, LR+ = 6.35 [3.54-11.42]), hypotension (specificity = 98.7%, LR+ = 17.2 [8.8-33.6]), pulse deficit (specificity = 99.3, LR+ = 31.1 [11.2-86.6]), neurologic deficits (specificity = 96.9%, LR+ = 5.26 [2.9-9.3]), and a new murmur (specificity = 97.8%, LR+ = 9.4 [5.5-16.2]) can help rule in the diagnosis of AAD. CONCLUSIONS: Patients with one or more high-risk feature should be considered high risk, whereas patients with no high-risk and multiple low-risk features are at low risk for AAD.
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 | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».