A pragmatic lab-based tool for risk assessment in cardiac critical care: data from the Critical Care Cardiology Trials Network (CCCTN) Registry
Notice bibliographique
Résumé
AIMS: Contemporary cardiac intensive care unit (CICU) outcomes remain highly heterogeneous. As such, a risk-stratification tool using readily available lab data at time of CICU admission may help inform clinical decision-making. METHODS AND RESULTS: The primary derivation cohort included 4352 consecutive CICU admissions across 25 tertiary care CICUs included in the Critical Care Cardiology Trials Network (CCCTN) Registry. Candidate lab indicators were assessed using multivariable logistic regression. An integer risk score incorporating the top independent lab indicators associated with in-hospital mortality was developed. External validation was performed in a separate CICU cohort of 9716 patients from the Mayo Clinic (Rochester, MN, USA). On multivariable analysis, lower pH [odds ratio (OR) 1.96, 95% confidence interval (CI) 1.72-2.24], higher lactate (OR 1.40, 95% CI 1.22-1.62), lower estimated glomerular filtration rate (OR 1.26, 95% CI 1.10-1.45), and lower platelets (OR 1.18, 95% CI 1.05-1.32) were the top four independent lab indicators associated with higher in-hospital mortality. Incorporated into the CCCTN Lab-Based Risk Score, these four lab indicators identified a 20-fold gradient in mortality risk with very good discrimination (C-index 0.82, 95% CI 0.80-0.84) in the derivation cohort. Validation of the risk score in a separate cohort of 3888 patients from the Registry demonstrated good performance (C-index of 0.82; 95% CI 0.80-0.84). Performance remained consistent in the external validation cohort (C-index 0.79, 95% CI 0.77-0.80). Calibration was very good in both validation cohorts (r = 0.99). CONCLUSION: A simple integer risk score utilizing readily available lab indicators at time of CICU admission may accurately stratify in-hospital mortality risk.
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 | 0,008 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».