Predicting the Risk of Right Ventricular Failure in Patients Undergoing Left Ventricular Assist Device Implantation
Notice bibliographique
Résumé
BACKGROUND: Right ventricular failure (RVF) is a cause of major morbidity and mortality after left ventricular assist device (LVAD) implantation. It is, therefore, integral to identify patients who may benefit from biventricular support early post-LVAD implantation. Our objective was to explore the performance of risk prediction models for RVF in adult patients undergoing LVAD implantation. METHODS: A systematic search was performed on Medline, Embase, Cochrane Central Register of Controlled Trials, and Cochrane Database of Systematic Reviews from inception until August 2019 for all relevant studies. Performance was assessed by discrimination (via C statistic) and calibration if reported. Study quality was assessed using the Prediction Model Risk of Bias Assessment Tool criteria. RESULTS: After reviewing 3878 citations, 25 studies were included, featuring 20 distinctly derived models. Five models were derived from large multicenter cohorts: the European Registry for Patients With Mechanical Circulatory Support, Interagency Registry for Mechanically Assisted Circulatory Support, Kormos, Pittsburgh Bayesian, and Mechanical Circulatory Support Research Network RVF models. Seventeen studies (68%) were conducted in cohorts implanted with continuous-flow LVADs exclusively. The definition of RVF as an outcome was heterogenous among models. Seven derived models (28%) were validated in at least 2 cohorts, reporting limited discrimination (C-statistic range, 0.53-0.65). Calibration was reported in only 3 studies and was variable. CONCLUSIONS: Existing RVF prediction models exhibit heterogeneous derivation and validation methodologies, varying definitions of RVF, and are mostly derived from single centers. Validation studies of these prediction models demonstrate poor-to-modest discrimination. Newer models are derived in cohorts implanted with continuous-flow LVADs exclusively and exhibit modest discrimination. Derivation of enhanced discriminatory models and their validations in multicenter cohorts is needed.
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 | 0,019 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,008 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».