A simple nomogram for predicting failure of non-invasive respiratory strategies in adults with COVID-19: a retrospective multicentre study
Notice bibliographique
Résumé
BACKGROUND: Non-invasive respiratory strategies (NIRS) including high-flow nasal cannula (HFNC) and non-invasive ventilation (NIV) have become widely used in patients with COVID-19 who develop acute respiratory failure. However, use of these therapies, if ineffective, might delay initiation of invasive mechanical ventilation (IMV) in some patients. We aimed to determine early predictors of NIRS failure and develop a simple nomogram and online calculator that can identify patients at risk of NIRS failure. METHODS: We did a retrospective, multicentre observational study in 23 hospitals designated for patients with COVID-19 in China. Adult patients (≥18 years) with severe acute respiratory syndrome coronavirus 2 infection and acute respiratory failure receiving NIRS were enrolled. A training cohort of 652 patients (21 hospitals) was used to identify early predictors of NIRS failure, defined as subsequent need for IMV or death within 28 days after intensive care unit admission. A nomogram was developed by multivariable logistic regression and concordance statistics (C-statistics) computed. C-statistics were validated internally by cross-validation in the training cohort, and externally in a validation cohort of 107 patients (two hospitals). FINDINGS: Patients were enrolled between Jan 1 and Feb 29, 2020. NIV failed in 211 (74%) of 286 patients and HFNC in 204 (56%) of 366 patients in the training cohort. NIV failed in 48 (81%) of 59 patients and HFNC in 26 (54%) of 48 patients in the external validation cohort. Age, number of comorbidities, respiratory rate-oxygenation index (ratio of pulse oximetry oxygen saturation/fraction of inspired oxygen to respiratory rate), Glasgow coma scale score, and use of vasopressors on the first day of NIRS in the training cohort were independent risk factors for NIRS failure. Based on the training dataset, the nomogram had a C-statistic of 0·80 (95% CI 0·74-0·85) for predicting NIV failure, and a C-statistic of 0·85 (0·82-0·89) for predicting HFNC failure. C-statistic values were stable in both internal validation (NIV group mean 0·79 [SD 0·10], HFNC group mean 0·85 [0·07]) and external validation (NIV group value 0·88 [95% CI 0·72-0·96], HFNC group value 0·86 [0·72-0·93]). INTERPRETATION: We have developed a nomogram and online calculator that can be used to identify patients with COVID-19 who are at risk of NIRS failure. These patients might benefit from early triage and more intensive monitoring. FUNDING: Ministry of Science and Technology of the People's Republic of China, Key Research and Development Plan of Jiangsu Province, Chinese Academy of Medical Sciences.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».