The multivariate predictive model to estimate ionized calcium concentration from serum biochemical results in dogs: External validation
Notice bibliographique
Résumé
BACKGROUND: Predicted ionized calcium (piCa) can be calculated from routine biochemistry variables using a recently developed predictive model in dogs. However, it has not been evaluated with variables measured from multiple laboratories. OBJECTIVES: We aimed to (a) externally validate piCa in dogs where biochemistry results were obtained from different analyzers, and (b) compare the diagnostic performances of piCa and total calcium (tCa). METHODS: A cross-sectional multicentric study on 138 dogs from three different hospitals was performed. The sensitivity (Sen), specificity (Spe), positive (PPV) and negative predictive values (NPV), and diagnostic discordance of piCa and tCa were calculated using logistic regression for ionized hypercalcemia and hypocalcemia. Diagnostic performance fluctuations across hospitals were also assessed. RESULTS: For ionized hypercalcemia, the Sen (81.8%), Spe (96.1%), PPV (69.2%), NPV (97.7%), and diagnostic discordance (5.1%) of piCa were not significantly different among hospitals or from those of tCa. For ionized hypocalcemia, the Sen (range: 9.7%-53.8%) and Spe (range: 95.6%-99.6%) of piCa and tCa (Sen range: 16.2%-87.8%; Spe range: 58.3%-98.1%) varied across hospitals, although to a lesser extent for piCa. The diagnostic discordances of piCa (20.3%) and tCa (25.4%) were close. The prediction interval (PI) of piCa demonstrated high Sen to screen for ionized hypercalcemia (100%) and hypocalcemia (range: 75%-93.3%), and high Spe to diagnose ionized hypercalcemia and hypocalcemia (100% for both). CONCLUSIONS: These results support the external validation of piCa in dogs. Its PI represents a notable advantage over tCa to help clinicians explore calcium-related disorders when ionized calcium cannot be readily measured.
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 | 0,001 |
| 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 ».