Abstracts from the CanVECTOR 2022 Annual Conference October 14th, 2022
Notice bibliographique
Résumé
Background: Pulmonary embolism (PE) can be misdiagnosed when emergency physicians do not consider PE as a potential diagnosis.Little research has focused on who should be tested for PE.Aim: To develop a predictive model which identifies underlying PE diagnosis in emergency department patients.Methods: Using linked population-level administrative data from Ontario (Canada), we analyzed the first patient emergency department visit in each calendar year between 2015 and 2019.Patients were classified as presenting with PE if they were diagnosed with PE on that visit, within the following 30 days if there was no hospitalization, within seven days of hospitalization without surgery, or else prior to surgery within seven days.We collected patient data on age, sex, cancer, prior DVT and PE, pregnancy, coronary artery disease, COPD, diabetes, stroke, anticoagulant use, atrial fibrillation, recent hospitalization, recent surgery, presenting complaint and triage score.Logistic regression and 10-fold cross-validation were used to derive a model which predicts the diagnosis of PE for the year 2015, and subsequently validated the model performance on each calendar year 2016-2019.Results: We analyzed 7,024,111 emergency department visits with 18,751 cases of PE.Mean age 48.6, 52% female, 3% history of cancer, 1.7% stroke, 1% prior PE, 1.6% prior DVT, 1.9% recent admission and 4.4% recent surgery.Our final model predicting a diagnosis of PE contained age, prior PE, prior DVT, presenting complaint and triage category.The area under the curve for the predicting PE was 82.8 in 2015, and 84.5, 81.3, 78.4 and 80.6 for each subsequent year.The optimal cut-off gave sensitivity estimates between 69.4%-74.4% and specificity estimates 73.7%-76.0%for each of the 5 years. Conclusion:We derived a model which accurately predicts the diagnosis of PE in emergency department patients, with the potential to trigger PE testing in the emergency department.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,627 | 0,372 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».