Characterizing the Patients, Hospitals, and Data Quality of the eICU Collaborative Research Database*
Notice bibliographique
Résumé
OBJECTIVES: The eICU Collaborative Research Database is a publicly available repository of granular data from more than 200,000 ICU admissions. The quantity and variety of its entries hold promise for observational critical care research. We sought to understand better the data available within this resource to guide its future use. DESIGN: We conducted a descriptive analysis of the eICU Collaborative Research Database, including patient, practitioner, and hospital characteristics. We investigated the completeness of demographic and hospital data, as well as those values required to calculate an Acute Physiology and Chronic Health Evaluation score. We also assessed the rates of ventilation, intubation, and dialysis, and looked for potential errors in the vital sign data. SETTING: American ICUs that participated in the Philips Healthcare eICU program between 2014 and 2015. PATIENTS: A total of 139,367 individuals who were admitted to one of the 335 participating ICUs between 2014 and 2015. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: Most encounters were from small- and medium-sized hospitals, and managed by nonintensivists. The median ICU length of stay was 1.57 days (interquartile range, 0.82-2.97 d). The median Acute Physiology and Chronic Health Evaluation IV-predicted ICU mortality was 2.2%, with an observed mortality of 5.4%. Rates of ventilation (20-33%), intubation (15-24%), and dialysis (3-5%) varied according to the query method used. Most vital sign readings fell into realistic ranges, with manually curated data less likely to contain implausible results than automatically entered data. CONCLUSIONS: Data in the eICU Collaborative Research Database are for the most part complete and plausible. Some ambiguity exists in determining which encounters are associated with various interventions, most notably mechanical ventilation. Caution is warranted in extrapolating findings from the eICU Collaborative Research Database to larger ICUs with higher acuity.
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 | 0,067 | 0,243 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,010 | 0,021 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».