Predictors of Mortality in Patients With Necrotizing Fasciitis: A Literature Review and Multivariate Analysis
Notice bibliographique
Résumé
Background: Necrotizing fasciitis (NF) is a life-threatening infectious disease that can result in significant morbidity and mortality. Previously identified factors have not been verified in a large population. The objective of this study is to further examine the relationship of patient factors in NF mortality. Methods: This study is a retrospective review on patients ≥18 years old diagnosed with NF at the provincial referral centres from 2004 to 2016. The following data were examined: demographics, comorbidities, laboratory values, length of stay, and inhospital mortality. Results: Three hundred forty patients satisfied the inclusion criteria: 297 survived and were discharged, 43 died in hospital. In multivariate analysis, a prognostic model for NF mortality identified age >60 years, elevated creatinine, abnormal blood platelets, and group A β-hemolytic Streptococcus (GABS) infection. Conclusions: Multiple factors were associated with mortality in NF. The strongest univariate association with mortality was age >60 years. In addition, a history of hypertension and/or dyslipidemia, renal disease, and the presence of GABS contributed to a predictive model for inhospital NF mortality.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».