Predicting and Estimating Burn Outcomes: An Institutional Analysis of 4622 Cases
Notice bibliographique
Résumé
Advances in burn care have improved patient outcomes, and independently validated indices and predictors of burn outcomes warrant re-evaluation. The purpose of this study is to consolidate predictors of burn outcomes and determine the factors that significantly contribute to length-of-stay (LOS) and mortality. A retrospective review was conducted of all burn patients (n = 5778) admitted to a quaternary provincial burn unit from 1973 to 2017. Our inclusion criteria yielded 4622 independent cases. Multivariate linear and logistic regression models were generated, and area-under-receiver-operator-curve (AUROC) analysis was performed. Burn predictors included %TBSA, Baux (classic and revised) index, Abbreviated Burn Severity Index (ABSI), and Ryan score. Primary outcomes were mortality and LOS. Multivariate logistic regression for mortality showed the Baux index to be the best predictor for mortality (OR = 1.11, P < 0.001). The AUROC for Baux index was 0.95. With regard to LOS, ABSI was the best predictor for LOS (P < 0.001). ICU stay, ventilator use, alcoholism, and age are significantly associated with increased LOS. Interestingly, hypertension had a protective effect for LOS (P < 0.01) and trended towards a protective effect in mortality. Lethal score 50% (LS50) improved over the study period. The regressions show that burn mortality and LOS are best predicted with the Baux index and ABSI, respectively. Hypertension may have a protective effect on burn outcomes and may be attributed to increased perfusion to the periphery. These predictive scores are useful in determining institutional outcomes in burn surgery. Objective benchmarking of improvement in burn care outcomes can be established using LS50 trends.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».