Development of a risk prediction model for bloodstream infection in patients with fever of unknown origin
Notice bibliographique
Résumé
BACKGROUND: Bloodstream infection (BSI) is a significant cause of mortality among patients with fever of unknown origin (FUO). Inappropriate empiric antimicrobial therapy increases difficulty in BSI diagnosis and treatment. Knowing the risk of BSI at early stage may help improve clinical outcomes and reduce antibiotic overuse. METHODS: We constructed a multivariate prediction model based on clinical features and serum inflammatory markers using a cohort of FUO patients over a 5-year period by Least Absolute Shrinkage and Selection Operator (LASSO) and logistic regression. RESULTS: Among 712 FUO patients, BSI was confirmed in 55 patients. Five independent predictors available within 24 h after admission for BSI were identified: presence of diabetes mellitus, chills, C-reactive protein level of 50-100 mg/L, procalcitonin > 0.3 ng/mL, neutrophil percentage > 75%. A predictive score incorporating these 5 variables has adequate concordance with an area under the curve of 0.85. The model showed low positive predictive value (22.6%), but excellent negative predictive value (97.4%) for predicting the risk of BSI. The risk of BSI reduced to 2.0% in FUO patients if score < 1.5. CONCLUSIONS: A simple tool based on 5 variables is useful for timely ruling out the individuals at low risk of BSI in FUO population.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».