Risk scoring tool to predict respiratory syncytial virus hospitalisation in premature infants
Notice bibliographique
Résumé
BACKGROUND: The objective was to develop a risk scoring tool which predicts respiratory syncytial virus hospitalisation (RSVH) in moderate-late preterm infants (32-35 weeks' gestational age) in the Northern Hemisphere. METHODS: Risk factors for RSVH were pooled from six observational studies of infants born 32 weeks and 0 days to 35 weeks and 6 days without comorbidity from 2000 to 2014. Of 13 475 infants, 484 had RSVH in the first year of life. Logistic regression was used to identify the most predictive risk factors, based on area under the receiver operating characteristic curve (AUROC). The model was validated internally by 100-fold bootstrapping and externally with data from a seventh observational study. The model coefficients were converted into rounded multipliers, stratified into risk groups, and number needed to treat (NNT) calculated. RESULTS: The risk factors identified in the model included (i) proximity of birth to the RSV season; (ii) second-hand smoke exposure; and (iii) siblings and/or daycare. The AUROC was 0.773 (sensitivity: 68.9%; specificity: 73.0%). The mean AUROC from internal bootstrapping was 0.773. For external validation with data from Ireland, the AUROC was 0.707 using Irish coefficients and 0.681 using source model coefficients. Cut-off scores for RSVH were ≤19 for low- (1.0%), 20-45 for moderate- (3.3%), and 50-56 (9.5%) for high-risk infants. The high-risk group captured 62.0% of RSVHs within 23.6% of the total population (NNT 15.3). CONCLUSIONS: This risk scoring tool has good predictive accuracy and can improve targeting for RSVH prevention in moderate-late preterm infants.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».