Cohort Study of Features Used by Experts to Diagnose Transient Ischemic Attack
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: The diagnosis of transient ischemic attack (TIA) is largely dependent on a process of clinical decision-making that remains poorly characterized in the absence of a validated and accessible biomarker or imaging test. We performed a retrospective chart review to identify variables associated with a final neurologist diagnosis of TIA/stroke. METHODS: Records for all patients seen in The Ottawa Hospital's Stroke Prevention Clinic in 2015 were analyzed for patient and referral characteristics, features of the presenting neurological event, and final diagnosis by a stroke neurologist (classified as definite, possible, or definite not TIA/stroke). Multinomial logistic regression analysis with backward elimination was used to identify variables associated with the final diagnosis. RESULTS: Our inclusion criteria were met by 1894 patients. After backward elimination, 23 potentially important variables were identified, including monocular vision loss (odds ratio [OR]: 30.4, 95% confidence interval [CI]: 14.6-63.3), symptoms of sudden onset (OR: 28.3, 95% CI: 14.2-56.2), unilateral weakness affecting 2 or 3 of face, arm, or leg (OR: 17.7, 95% CI: 9.8-31.7), and homonymous hemianopia (OR: 16.6, 95% CI: 8.1-34.0). CONCLUSIONS: Accurate diagnosis of TIA is essential to initiating appropriate secondary stroke prevention therapies. A focus on elements of the patient history most commonly associated with a final diagnosis of TIA/stroke may help to identify patients in greatest need of urgent SPC assessment and allow for the provision of effective and efficient stroke prevention services.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».