Highlighting discrepancies in walking prediction accuracy for patients with traumatic spinal cord injury: an evaluation of validated prediction models using a Canadian Multicenter Spinal Cord Injury Registry
Notice bibliographique
Résumé
BACKGROUND CONTEXT: Models for predicting recovery in traumatic spinal cord injury (tSCI) patients have been developed to optimize care. Several models predicting tSCI recovery have been previously validated, yet recent findings question their accuracy, particularly in patients whose prognoses are the least predictable. PURPOSE: To compare independent ambulatory outcomes in AIS (ASIA [American Spinal Injury Association] Impairment Scale) A, B, C, and D patients, as well as in AIS B+C and AIS A+D patients by applying two existing logistic regression prediction models. STUDY DESIGN: A prospective cohort study. PARTICIPANT SAMPLE: Individuals with tSCI enrolled in the pan-Canadian Rick Hansen SCI Registry (RHSCIR) between 2004 and 2016 with complete neurologic examination and Functional Independence Measure (FIM) outcome data. OUTCOME MEASURES: The FIM locomotor score was used to assess independent walking ability at 1-year follow-up. METHODS: Two validated prediction models were evaluated for their ability to predict walking 1-year postinjury. Relative prognostic performance was compared with the area under the receiver operating curve (AUC). RESULTS: In total, 675 tSCI patients were identified for analysis. In model 1, predictive accuracies for 675 AIS A, B, C, and D patients as measured by AUC were 0.730 (95% confidence interval [CI] 0.622-0.838), 0.691 (0.533-0.849), 0.850 (0.771-0.928), and 0.516 (0.320-0.711), respectively. In 160 AIS B+C patients, model 1 generated an AUC of 0.833 (95% CI 0.771-0.895), whereas model 2 generated an AUC of 0.821 (95% CI 0.754-0.887). The AUC for 515 AIS A+D patients was 0.954 (95% CI 0.933-0.975) with model 1 and 0.950 (0.928-0.971) with model 2. The difference in prediction accuracy between the AIS B+C cohort and the AIS A+D cohort was statistically significant using both models (p=.00034; p=.00038). The models were not statistically different in individual or subgroup analyses. CONCLUSIONS: Previously tested prediction models demonstrated a lower predictive accuracy for AIS B+C than AIS A+D patients. These models were unable to effectively prognosticate AIS A+D patients separately; a failure that was masked when amalgamating the two patient populations. This suggests that former prediction models achieved strong prognostic accuracy by combining AIS classifications coupled with a disproportionately high proportion of AIS A+D patients.
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 | 0,032 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».