Derivation and Internal Validation of a Prediction Model for Pediatric Hand Fracture Triage
Notice bibliographique
Résumé
Background: Pediatric hand fractures are common, and most can be managed by a period of immobilization. However, it remains challenging to identify those more complex fractures requiring the expertise of a hand surgeon to ensure a good outcome. The purpose of this study was to develop a prediction model for identification of complex pediatric hand fractures requiring care by a hand surgeon. Methods: A 2-year retrospective cohort study of consecutively referred pediatric (<18 years) hand fracture patients was used to derive and internally validate a prediction model for identification of complex fractures requiring the expertise of a hand surgeon. These complex fractures were defined as those that required surgery, closed reduction, or four or more appointments with a hand surgeon. The model, derived by multivariable logistic regression analysis, was internally validated using bootstrapping and then translated into a risk index. Results: Of 1170 fractures, 416 (35.6%) met criteria for a complex fracture. Multivariable regression analysis identified six significant predictors of complex fracture: open fracture, rotational deformity, angulation, condylar involvement, dislocation or subluxation, and displacement. Internal validation demonstrated good performance of the model (C-statistic = 0.88, calibration curve p = 0.935). A threshold of ≥1 point (ie, any one of the predictors) resulted in a simple, easy-to-use tool with 96.4% sensitivity and 45.5% specificity. Conclusions: A high-performing and clinically useful decision support tool was developed for emergency and urgent care physicians providing initial assessment for children with hand fractures. This tool will provide the basis for development of a clinical care pathway for pediatric hand fractures.
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 | 0,001 | 0,004 |
| 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 ».