Development of New Equations Predicting the Mortality Risk of Patients on Continuous RRT
Notice bibliographique
Résumé
Background: Predicting the risk of death in patients admitted to the critical care unit facilitates appropriate management. In particular, among patients who are critically ill, patients with continuous RRT (CRRT) have high mortality, and predicting the mortality risk of these patients is difficult. The purpose of this study was to develop models for predicting the mortality risk of patients on CRRT and to validate the models externally. Methods: A total of 699 adult patients with CRRT who participated in the VolumE maNagement Under body composition monitoring in critically ill patientS on CRRT (VENUS) trial and 1515 adult patients with CRRT in Seoul National University Hospital were selected as the development and validation cohorts, respectively. Using 11 predictor variables selected by the Cox proportional hazards model and clinical importance, equations predicting mortality within 7, 14, and 28 days were developed with development cohort data. Results: The equation using 11 variables had area under the time-dependent receiver operating characteristic curve (AUROC) values of 0.75, 0.74, and 0.73 for predicting 7-, 14-, and 28-day mortality, respectively. All equations had significantly higher AUROCs than the Sequential Organ Failure Assessment (SOFA) and Acute Physiology and Chronic Health Evaluation II (APACHE II) scores. The 11-variable equation was superior to the SOFA and APACHE II scores in the integrated discrimination index and net reclassification improvement analyses. Conclusions: The newly developed equations for predicting CRRT patient mortality showed superior performance to the previous scoring systems, and they can help physicians manage patients.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».