Improving Prediction of Favourable Outcome After 6 Months in Patients with Severe Traumatic Brain Injury Using Physiological Cerebral Parameters in a Multivariable Logistic Regression Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVE: Current severe traumatic brain injury (TBI) outcome prediction models calculate the chance of unfavourable outcome after 6 months based on parameters measured at admission. We aimed to improve current models with the addition of continuously measured neuromonitoring data within the first 24 h after intensive care unit neuromonitoring. METHODS: Forty-five severe TBI patients with intracranial pressure/cerebral perfusion pressure monitoring from two teaching hospitals covering the period May 2012 to January 2019 were analysed. Fourteen high-frequency physiological parameters were selected over multiple time periods after the start of neuromonitoring (0-6 h, 0-12 h, 0-18 h, 0-24 h). Besides systemic physiological parameters and extended Corticosteroid Randomisation after Significant Head Injury (CRASH) score, we added estimates of (dynamic) cerebral volume, cerebral compliance and cerebrovascular pressure reactivity indices to the model. A logistic regression model was trained for each time period on selected parameters to predict outcome after 6 months. The parameters were selected using forward feature selection. Each model was validated by leave-one-out cross-validation. RESULTS: A logistic regression model using CRASH as the sole parameter resulted in an area under the curve (AUC) of 0.76. For each time period, an increased AUC was found using up to 5 additional parameters. The highest AUC (0.90) was found for the 0-6 h period using 5 parameters that describe mean arterial blood pressure and physiological cerebral indices. CONCLUSIONS: Current TBI outcome prediction models can be improved by the addition of neuromonitoring bedside parameters measured continuously within the first 24 h after the start of neuromonitoring. As these factors might be modifiable by treatment during the admission, testing in a larger (multicenter) data set is warranted.
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.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle