Predictive Models of Neurodevelopmental Outcomes After Neonatal Hypoxic-Ischemic Encephalopathy
Notice bibliographique
Résumé
OBJECTIVES: To develop predictive models for death or neurodevelopmental impairment (NDI) after neonatal hypoxic-ischemic encephalopathy (HIE) from data readily available at the time of NICU admission (“early”) or discharge (“cumulative”). METHODS: In this retrospective cohort analysis, we used data from the Children’s Hospitals Neonatal Consortium Database (2010–2016). Infants born at ≥35 weeks’ gestation and treated with therapeutic hypothermia for HIE at 11 participating sites were included; infants without Bayley Scales of Infant Development scores documented after 11 months of age were excluded. The primary outcome was death or NDI. Multivariable models were generated with 80% of the cohort; validation was performed in the remaining 20%. RESULTS: The primary outcome occurred in 242 of 486 infants; 180 died and 62 infants surviving to follow-up had NDI. HIE severity, epinephrine administration in the delivery room, and respiratory support and fraction of inspired oxygen of 0.21 at admission were significant in the early model. Severity of EEG findings was combined with HIE severity for the cumulative model, and additional significant variables included the use of steroids for blood pressure management and significant brain injury on MRI. Discovery models revealed areas under the curve of 0.852 for the early model and of 0.861 for the cumulative model, and both models performed well in the validation cohort (goodness-of-fit χ2: P = .24 and .06, respectively). CONCLUSIONS: Establishing reliable predictive models will enable clinicians to more accurately evaluate HIE severity and may allow for more targeted early therapies for those at highest risk of death or NDI.
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 ».