Abstract WP174: Incidence Of Pediatric And Neonatal Cerebral Venous Sinus Thrombosis In The United States (US)
Notice bibliographique
Résumé
Background: Prior pediatric CVT incidence estimates range from 0.4-0.7 per 100,000 per year but no US specific incidence has previously been reported. We examined incidence of CVT hospitalization within a large US pediatric database. Methods: We evaluated incidence of neonatal and childhood CVT using the 2012 and 2016 Healthcare Cost and Utilization Project Kids’ Inpatient Database (KID), a large-scale administrative dataset providing estimates of US hospital inpatient stays for children. Patients under 20 years of age were examined to match US census population data. All children with discharge diagnoses of CVT were queried using ICD-9 (2012) and ICD-10 (2016) codes. Survey weights were applied to estimate total national discharges adjusting for KID’s sampling technique. Population incidence was calculated from 2012 and 2016 US vital statistics data for live births for neonates and census data for other ages. Results: Table 1 summarizes CVT-related discharges by sex and age group. Overall annual incidence for CVT related hospitalization was 4.37 (95% CI 3.72-5.02) and 5.51 (95% CI 4.78-6.24) per 100 000 births for neonates in 2012 and 2016 respectively and 1.18 (95% CI 1.11-1.26) and 1.58 (95% CI 1.49-1.66) per 100 000 other children under 20 years old in 2012 and 2016. Mortality was 3.4% and 3.53% for all CVT discharges compared to 0.34% and 0.36% for all US pediatric discharges in 2012 and 2016. The overall incidence of CVT related hospitalization was higher in 2016 than 2012 for all age groups and was higher for males until the 15-19 age group in both years. Conclusion: Higher incidence of CVT hospitalizations in 2016 versus 2012 is similar to trends seen in adults. Unlike adults, more CVT hospitalizations occurred among males until the 15-19 age group. The current analysis is limited by inability of available national data to differentiate between hospitalizations due to new CVT presentation and re-admission.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».