101 Predicting and Estimating Burn Outcomes: A Single Institution Analysis of over 4000 Cases
Notice bibliographique
Résumé
Abstract Introduction Advances in burn care have improved patient outcomes, and independently validated indices, scores, and predictors of burn outcomes warrant re-evaluation. The purpose of this study is to consolidate predictors of burn outcomes and determine the factors that significantly contribute to length-of-stay (LOS) and mortality. Methods A retrospective review of all burn patients (n = 5778) admitted to a quaternary provincial burn unit from 1973 to 2017, was conducted. Removal of blank and pediatric entries yielded 4622 independent cases. Goodness-of-fit models and multivariate logistic regression was performed. Burn predictors included %TBSA, Baux (classic, revised) index, Abbreviated Burn Severity Index, and Ryan score. Primary outcomes were mortality and LOS. Variables considered in the multivariate logistic regression included: diabetes, hypertension, smoking, obesity, alcohol use, drug abuse, full-thickness burn, ventilator support, and ICU referral. Results Multivariate logistic regression for mortality showed the classic Baux index to be a significant predictor for mortality (OR = 1.118, p < 0.001). Other predictors included male sex, ICU referral, diabetes, smoking, and alcoholism (OR = 1.96, 4.97, 2.38, 1.63, 1.98, all p < 0.05). Interestingly, hypertension had a protective effect (OR = 0.24, p < 0.013). Linear regression for LOS found %TBSA, ICU referral, alcoholism, age, male sex, significant. The area under the ROC curve for Baux index was 0.945. Conclusions The regressions show that burn mortality and LOS are best predicted with the Baux index. Hypertension may have a protective effect on burn outcomes and may be attributed to increased perfusion to the periphery. Goodness-of-fit models, although variable, tended to show tighter grouping in patients with TBSA >20%. LOS ratios prove to be useful benchmarks for burn units with TBSA >20%. Similar findings are preliminary found in the NBR, national burn repository, database. Applicability of Research to Practice LOS ratios and burn index scores prove to be valuable markers to predict burn outcomes. The results of this study will directly help the clinician make decisions and communicate clinical severity to patient and family members.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».