A Predictive Model for Temporal Artery Biopsy in the Setting of Suspected Giant Cell Arteritis: A Validation Study
Notice bibliographique
Résumé
PURPOSE: A previously published predictive model based on threshold parameters for erythrocyte sedimentation rate, c-reactive protein, and platelet count demonstrated that 40% of patients who underwent biopsy may not have required it. The current study was performed to evaluate the model's performance on an independent data set. METHODS: This is a retrospective consecutive series of patients undergoing temporal artery biopsy (TAB) in a single health region in Canada. The model was applied to a multicenter cohort of patients undergoing TAB by a variety of surgical services. A centralized pathological database serving multiple institutions and surgical services was used to identify patients undergoing TAB. RESULTS: Over a 7-year period, patients undergoing TAB were identified via a central pathological database. Those who had concurrent illnesses which would likely affect erythrocyte sedimentation rate, c-reactive protein, and platelet count, patients on steroids for >2 weeks by the time of biopsy, and those with missing serum markers were excluded. The previously developed model was applied to the 222 patients enrolled. The model correctly identified 29% of patients with a pretest probability of 0% for a positive biopsy and 9% with a pretest probability of 100%, suggesting that in total, 38% of patients could have avoided TAB. CONCLUSION: The results of this independent data set support the previously published predictive formula. Utilizing a simple, clinically applicable predictive model of the pretest probabilities, approximately 38% of TAB currently being performed may be avoided. The results suggest that evaluation with a prospective multicentre study would be appropriate.
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 ».