External Validation and Modification of Nationwide Inpatient Sample Subarachnoid Hemorrhage Severity Score
Notice bibliographique
Résumé
BACKGROUND: The Nationwide Inpatient Sample Subarachnoid Hemorrhage (SAH) Severity Score (NIS-SSS) was developed as a measure of SAH severity for use in administrative databases. The NIS-SSS consists of International Classification of Diseases Ninth Revision (ICD-9) diagnostic and procedure codes derived from the SAH inpatient course and has been validated against the Hunt-Hess score (HH). OBJECTIVE: To externally validate both the NIS-SSS and a modified version of the NIS-SSS (m-NIS-SSS) consisting of codes present only on admission, against the HH in a Canadian province-wide registry and administrative database of SAH patients. METHODS: A total of 1467 SAH patients admitted to Ontario stroke centers between 2003 and 2013 with recorded HH were included. The NIS-SSS and m-NIS-SSS were validated against the HH by testing correlation between the NIS-SSS/m-NIS-SSS and HH, comparing discriminative ability of the NIS-SSS/m-NIS-SSS vs HH for poor outcome by calculating area under the curve (AUC), and comparing calibration of the NIS-SSS, m-NIS-SSS, and HH by plotting predicted vs observed outcome. RESULTS: Correlation with HH was 0.417 (P ≤ .001) for NIS-SSS, and 0.403 (P ≤ .001) for m-NIS-SSS. AUC for prediction of poor outcome was 0.786 (0.764-0.808) for HH, 0.771 (0.748-0.793) for NIS-SSS, and 0.744 (0.721-0.767) for m-NIS-SSS. Calibration plots demonstrated that HH had the most accurate prediction of outcome, whereas the NIS-SSS and m-NIS-SSS did not accurately predict low risk of poor outcome. CONCLUSION: The NIS-SSS and m-NIS-SSS have good external validity, and therefore, may be suitable to approximate traditional clinical scores of disease severity in SAH research using administrative data.
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 ».