Using the Revised Cardiac Risk Index to Predict Major Postoperative Events for People With Kidney Failure: An External Validation and Update
Notice bibliographique
Résumé
Background: People with kidney failure have high risk of postoperative morbidity and mortality. Although the revised cardiac risk index (RCRI) is used to estimate the risk of major postoperative events, it has not been validated in this population. We aimed to externally validate the RCRI and determine whether updating the model improved predictions for people with kidney failure. Methods: ) who had surgery in Alberta, Canada between 2005 and 2019. We categorized participants based on RCRI variables and assigned risk estimates of death or major cardiac events, and then estimated predictive performance. We re-estimated the coefficients for each RCRI variable and internally validated the updated model. Net benefit was estimated with decision curve analysis. Results: After 38,541 surgeries, 1204 events (3.1%) occurred. The estimated C-statistic for the original RCRI was 0.64 (95% confidence interval: 0.62, 0.65). Examination of calibration revealed significant risk overestimation. In the re-estimated RCRI model, discrimination was marginally different (C-statistic 0.67 [95% confidence interval: 0.66, 0.69]), though calibration was improved. No net benefit was observed when the data were examined with decision curve analysis, whereas the original RCRI was associated with harm. Conclusions: The RCRI performed poorly in a Canadian kidney failure cohort and significantly overestimated risk, suggesting that RCRI use in similar kidney failure populations should be limited. A re-estimated kidney failure-specific RCRI may be promising but needs external validation. Novel perioperative models for this population are urgently needed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».