Prediction model and web-based risk calculator for postoperative ileus after loop ileostomy closure
Notice bibliographique
Résumé
BACKGROUND: Postoperative ileus (POI) is a significant complication after loop ileostomy closure given both its frequency and impact on the patient. The purpose of this study was to develop and externally validate a prediction model for POI after loop ileostomy closure. METHODS: The model was developed and validated according to the TRIPOD checklist for prediction model development and validation. The development cohort included consecutive patients who underwent loop ileostomy closure in two teaching hospitals in Montreal, Canada. Candidate variables considered for inclusion in the model were chosen a priori based on subject knowledge. The final prediction model, which modelled the 30-day cumulative incidence of POI using logistic regression, was selected using the highest area under the receiver operating characteristic curve (AUC) criterion. Model calibration was assessed using the Hosmer-Lemeshow goodness-of-fit test. The model was then validated externally in an independent cohort of similar patients from the University of British Columbia. RESULTS: The development cohort included 531 patients, in whom the incidence of POI was 16·8 per cent. The final model included five variables: age, ASA fitness grade, underlying pathology/treatment, interval between ileostomy creation and closure, and duration of surgery for ileostomy closure (AUC 0·68, 95 per cent c.i. 0·61 to 0·74). The model demonstrated good calibration (P = 0·142). The validation cohort consisted of 216 patients, and the incidence of POI was 15·7 per cent. On external validation, the model maintained good discrimination (AUC 0·72, 0·63 to 0·81) and calibration (P = 0·538). CONCLUSION: A prediction model was developed for POI after loop ileostomy closure and included five variables. The model maintained good performance on external validation.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».