MétaCan
Menu
Retour à la cohorte
Enregistrement W3212804908 · doi:10.1161/svin.121.000167

Evaluating Outcome Prediction Models in Endovascular Stroke Treatment Using Baseline, Treatment, and Posttreatment Variables

2021· article· en· W3212804908 sur OpenAlexafffund
Johanna M. Ospel, Aravind Ganesh, Manon Kappelhof, Rosalie McDonough, Bijoy K. Menon, Mohammed Almekhlafi, Andrew M. Demchuk, Ryan McTaggart, Thalia S. Field, Dar Dowlatshahi, Raul G. Nogueira, Jason Tarpley, Volker Puetz, Simon Nagel, Michael Tymianski, Michael D. Hill, Mayank Goyal

Notice bibliographique

RevueStroke Vascular and Interventional Neurology · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Ischemic Stroke Management
Établissements canadiensUniversity of OttawaOttawa HospitalUniversity of British ColumbiaNoNO (Canada)University of Calgary
Organismes subventionnairesCanadian Institutes of Health ResearchAlberta Innovates
Mots-clésModified Rankin ScaleMedicineLogistic regressionStroke (engine)Receiver operating characteristicInternal medicineIschemic stroke

Résumé

récupéré en direct d'OpenAlex

Background: Statistical models to predict outcomes after endovascular therapy for acute ischemic stroke often incorporate baseline (pretreatment) variables only. We assessed the performance of stroke outcome prediction models for endovascular therapy in stroke in an iterative fashion using baseline, treatment-related, and posttreatment variables. Methods: Data from the ESCAPE-NA1 (Safety and Efficacy of Nerinetide [NA-1] in Subjects Undergoing Endovascular Thrombectomy for Stroke) trial were used to build 4 outcome prediction models using multivariable logistic regression: model 1 included baseline variables available before treatment decision making, model 2 included additional treatment-related variables, model 3 additional posttreatment variables that become available early (within 24-48 hours), and model 4 later (beyond 48 hours) after endovascular therapy. The primary outcome was functional independence (90-day Modified Rankin Scale score 0-2). Model performance was compared using the area under the receiver operating characteristic curve (AUC). Shapley values were used to determine marginal contributions of variables to outcome variance in the regression models. Results: Among 1105 patients, functional independence was achieved by 666 (60.3%). When using baseline variables only (model 1), the AUC was 0.74 (95% CI, 0.71-0.77); this iteratively improved when treatment and posttreatment variables were added to the models (model 2: AUC, 0.77; 95% CI, 0.74-0.80; model 3: AUC, 0.80; 95% CI, 0.77-0.83; model 4: AUC, 0.82; 95% CI, 0.79-0.85). With baseline variables alone, 26% of patients who achieved functional independence were erroneously classified as not achieving functional independence. Even with the most comprehensive model, 19.8% of patients were misclassified as such. Patient age contributed most to outcome variance (Shapley value, 0.28), followed by severe adverse events including pneumonia (0.16) and intracranial hemorrhage at 24-hours imaging (0.13). Conclusions: A substantial contribution to outcomes after endovascular therapy comes from factors unrelated to currently collected baseline patient variables. One-fifth of patients achieving functional independence were misclassified as not achieving independence, even with the most comprehensive model. Our findings suggest that the achievable accuracy of current outcome prediction models is limited, and caution should be used when applying them in clinical practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,667
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,077
Tête enseignante GPT0,340
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueStroke Vascular and Interventional NeurologyMême sujetAcute Ischemic Stroke ManagementTravaux en français237 207