Validation of Risk Scores for Predicting Atrial Fibrillation Detected After Stroke Based on an Electronic Medical Record Algorithm: A Registry-Claims-Electronic Medical Record Linked Data Study
Notice bibliographique
Résumé
Background Poststroke atrial fibrillation (AF) screening aids decisions regarding the optimal secondary prevention strategies in patients with acute ischemic stroke (AIS). We used an electronic medical record (EMR) algorithm to identify AF in a cohort of AIS patients, which were used to validate eight risk scores for predicting AF detected after stroke (AFDAS). Methods We used linked data between a hospital stroke registry and a deidentified database including EMRs and administrative claims data. EMR algorithms were constructed to identify AF using diagnostic and medication codes as well as free clinical text. Based on the optimal EMR algorithm, the incidence rate of AFDAS was estimated. The predictive performance of 8 risk scores including AS5F, C 2 HEST, CHADS 2 , CHA 2 DS 2 -VASc, CHASE-LESS, HATCH, HAVOC, and Re-CHARGE-AF scores, were compared using the C-index, net reclassification improvement, integrated discrimination improvement, calibration curve, and decision curve analysis. Results The algorithm that defines AF as any positive mention of AF-related keywords in electrocardiography or echocardiography reports, or presence of diagnostic codes of AF was used to identify AF. Among the 5,412 AIS patients without known AF at stroke admission, the incidence rate of AFDAS was 84.5 per 1,000 person-year. The CHASE-LESS and AS5F scores were well calibrated and showed comparable C-indices (0.741 versus 0.730, p = 0.223), which were significantly higher than the other risk scores. Conclusion The CHASE-LESS and AS5F scores demonstrated adequate discrimination and calibration for predicting AFDAS. Both simple risk scores may help select patients for intensive AF monitoring.
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 | 0,011 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».