Abstract P013: Validating The Utility Of Plasma Biomarkers In The Prediction Of Readmission Or Mortality Following Congenital Heart Surgery
Notice bibliographique
Résumé
Introduction: Unplanned readmission is associated with higher risks of complications, death, and increased costs. Accurate statistical models to stratify the risk of 30-day readmission or death after congenital heart surgery could help clinical teams focus care on those patients at highest risk. We hypothesized biomarkers could improve prediction for readmission or mortality. Methods: Levels of pre- and postoperative ST2, Galectin-3, NT-proBNP and GFAP were measured in plasma samples from 162 pediatric congenital heart surgery patients from Johns Hopkins Hospital with external validation in 360 pediatric patients from an international multi-center TRIBE-AKI cohort. A model based on clinical variables from the Society of Thoracic Surgery Congenital database (STS-CHSD) was developed in the Hopkins cohort. We tested and externally validated the clinical models and biomarker panels in the TRIBE-AKI cohort using AUROC statistics and Kaplan-Meier cox hazard regression models. Results: There were 55 patients (10.5%) that experienced unplanned readmission or died within 30 days after congenital heart surgery. The STS-CHSD clinical model resulted in an AUROC of 0.617 (95% CI: 0.47 - 0.76). The derivation cohort with the biomarker augmented STS-CHSD clinical model resulted in a significantly improved AUROC of 0.802 (95%CI: 0.72 - 0.89; p=0.003). External validation of the biomarker augmented STS-CHSD clinical model showed limited improvement (AUROC: 0.60; 95% CI: 0.49-0.72; p value= 0.47). Conclusions: Our findings indicate that these biomarkers can be used for early identification of children at increased risk of readmission or death after pediatric congenital heart surgery. While the addition of biomarkers improve prediction in our derivation cohort, external validation was poor. Our findings suggest there are other potential biomarkers and factors to be explored to improve prediction of readmission or mortality for children following congenital heart surgery.
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 | 0,017 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».