Identifying Homogeneous Patterns of Injury in Paediatric Trauma Patients to Improve Risk-Adjusted Models of Mortality and Functional Outcomes
Notice bibliographique
Résumé
Injury is a leading cause of morbidity and mortality in the paediatric population and exhibits complex injury patterns. This study aimed to identify homogeneous groups of paediatric major trauma patients based on their profile of injury for use in mortality and functional outcomes risk-adjusted models. Data were extracted from the population-based Victorian State Trauma Registry for patients aged 0-15 years, injured 2006-2016. Four Latent Class Analysis (LCA) models with/without covariates of age/sex tested up to six possible latent classes. Five risk-adjusted models of in-hospital mortality and 6-month functional outcomes incorporated a combination of Injury Severity Score (ISS), New ISS (NISS), and LCA classes. LCA models replicated the best log-likelihood and entropy > 0.8 for all models (N = 1281). Four latent injury classes were identified: isolated head; isolated abdominal organ; multi-trauma injuries, and other injuries. The best models, in terms of goodness of fit statistics and model diagnostics, included the LCA classes and NISS. The identification of isolated head, isolated abdominal, multi-trauma and other injuries as key latent paediatric injury classes highlights areas for emphasis in planning prevention initiatives and paediatric trauma system development. Future risk-adjusted paediatric injury models that include these injury classes with the NISS when evaluating mortality and functional outcomes is recommended.
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 | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».