SNAP-II for prediction of mortality and morbidity in extremely preterm infants
Notice bibliographique
Résumé
OBJECTIVE: To determine the specific Score of Neonatal Acute Physiology (SNAP-II) cut-off scores associated with outcomes in extremely preterm infants, and to examine its contribution to predictive models that include nonmodifiable birth predictors. STUDY DESIGN: Retrospective observational study of 9240 infants born at 22-28 weeks' gestation and admitted to the Canadian Neonatal Network from 2010 to 2015. Outcomes included early and hospital mortality, composite of mortality/morbidity and individual morbidities. The SNAP-II cut-off to predict each outcome was determined using the Youden index. Additional contributions were evaluated using a base model that adjusted for gestational age, birth weight z-score and sex and by comparing the area under the curve (AUC). RESULTS: The mortality/morbidity rate was 63% (5859/9240). Specific SNAP-II cut-offs ranged from 12 to 20 and were associated with each adverse outcome. Adding SNAP-II cut-offs to predictive models that included birth variables significantly improved (p < .05) the prediction of early mortality (AUC 0.84 versus 0.79), hospital mortality (AUC 0.80 versus 0.78), mortality/morbidity (AUC 0.76 versus 0.75), and severe neurological injury (AUC 0.69 versus 0.66) but had little or no effect on predictive models for retinopathy of prematurity, bronchopulmonary dysplasia, necrotizing enterocolitis, and nosocomial infection. CONCLUSIONS: SNAP-II cut-offs were independently associated with each adverse outcome and using the proposed SNAP-II cut-offs improved the performance of predictive models for certain short-term outcomes.
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 | 0,004 | 0,001 |
| 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 | 0,001 |
| 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 ».