Development and Evaluation of Models to Predict Readmission or Death After Discharge from Intensive Care
Notice bibliographique
Résumé
Abstract Background Patients being discharged from the intensive care unit (ICU) have variable risks of subsequent readmission or death; however, there is limited understanding of how to predict individual patient risk. We sought to derive risk prediction models for ICU readmission or death after ICU discharge to guide clinician decision-making. Methods Systematic review and meta-analysis to identify risk factors. Development and validation of risk prediction models using two retrospective cohorts of patients discharged alive from medical-surgical ICUs (n = 3 ICUs, n = 11,291 patients; n = 14 ICUs, n = 11,400 patients). Models were developed using literature and data-derived weighted coefficients. Results Sixteen variables identified from the systematic review were used to develop four risk prediction models. In the validation cohort there were 795 (7%) patients who were re-admitted to ICU and 703 (7%) patients who died after ICU discharge. The area under the curve (AUROC) for ICU readmission for the literature (0.615 [95%CI: 0.593, 0.637]) and data (0.652 [95%CI: 0.631, 0.674]) weighted models showed poor discrimination. The AUROC for death after ICU discharge for the literature (0.708 [95%CI: 0.687, 0.728]) and local data weighted (0.752 [95%CI: 0.733, 0.770]) models showed good discrimination. The negative predictive values for ICU readmission and death after ICU discharge ranged from 94%-98%. Conclusions Identifying risk factors and weighting coefficients using systematic review and meta-analysis to develop prediction models is feasible and can identify patients at low risk of ICU readmission or death after ICU discharge.
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 | 0,062 | 0,133 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,022 |
| Bibliométrie | 0,010 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».