Risk Prediction After a Brief Resolved Unexplained Event
Notice bibliographique
Résumé
OBJECTIVES: Only 4% of brief resolved unexplained events (BRUE) are caused by a serious underlying illness. The American Academy of Pediatrics (AAP) guidelines do not distinguish patients who would benefit from further investigation and hospitalization. We aimed to derive and validate a clinical decision rule for predicting the risk of a serious underlying diagnosis or event recurrence. METHODS: We retrospectively identified infants presenting with a BRUE to 15 children's hospitals (2015-2020). We used logistic regression in a split-sample to derive and validate a risk prediction model. RESULTS: Of 3283 eligible patients, 565 (17.2%) had a serious underlying diagnosis (n = 150) or a recurrent event (n = 469). The AAP's higher-risk criteria were met in 91.5% (n = 3005) and predicted a serious diagnosis with 95.3% sensitivity, 8.6% specificity, and an area under the curve of 0.52 (95% confidence interval [CI]: 0.47-0.57). A derived model based on age, previous events, and abnormal medical history demonstrated an area under the curve of 0.64 (95%CI: 0.59-0.70). In contrast to the AAP criteria, patients >60 days were more likely to have a serious underlying diagnosis (odds ratio:1.43, 95%CI: 1.03-1.98, P = .03). CONCLUSIONS: Most infants presenting with a BRUE do not have a serious underlying pathology requiring prompt diagnosis. We derived 2 models to predict the risk of a serious diagnosis and event recurrence. A decision support tool based on this model may aid clinicians and caregivers in the discussion on the benefit of diagnostic testing and hospitalization (https://www.mdcalc.com/calc/10400/brief-resolved-unexplained-events-2.0-brue-2.0-criteria-infants).
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) | 0,001 | 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 ».