Developing a foot ulcer risk model: what is needed to do this in a real‐world primary care setting?
Notice bibliographique
Résumé
AIM: To determine how routinely collected data can inform a risk model to predict de novo foot ulcer presentation in the primary care setting. METHODS: Data were available on 15 727 individuals without foot ulcers and 1125 individuals with new foot ulcers over a 12-year follow-up in UK primary care. We examined known risk factors and added putative risk factors in our logistic model. RESULTS: mmol/mol (63 ± 21 vs 59 ± 19) (p<0.0001) concentration [+0.45 (95% CI 0.33-0.56), creatinine level [+6.9 μmol/L (95% CI 4.1-9.8)] and Townsend score [+0.055 (95% CI 0.033-0.077)]. Absence of monofilament sensation was more common in people with foot ulcers (28% vs 21%; P<0.0001), as was absence of foot pulses (6.4% vs 4.8%; P=0.017). There was no difference between people with or without foot ulcers in smoking status, gender, history of stroke or foot deformity, although foot deformity was extremely rare (0.4% in people with foot ulcers, 0.6% in people without foot ulcers). Combining risk factors in a single logistic regression model gave modest predictive power, with an area under the receiver-operating characteristic curve of 0.65 (95% CI 0.62-0.67). The prevalence of ulceration in the bottom decile of risk was 1.8% and in the top decile it was 13.4% (compared with an overall prevalence of 6.5%); thus, the presence of all six risk factors gave a relative risk of 7.4 for development of a foot ulcer over 12 years. CONCLUSION: We have made some progress towards defining a variable set that can be used to create a foot ulcer prediction model. More accurate determination of foot deformity/pedal circulation in primary care may improve the predictive value of such a future risk model, as will identification of additional risk variables.
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) | 0,001 | 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 | 0,000 |
| 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 ».