Predicting Delayed Shock in Multisystem Inflammatory Disease in Children
Notice bibliographique
Résumé
OBJECTIVES: Patients with multisystem inflammatory disease in children (MIS-C) are at risk of developing shock. Our objectives were to determine independent predictors associated with development of delayed shock (≥3 hours from emergency department [ED] arrival) in patients with MIS-C and to derive a model predicting those at low risk for delayed shock. METHODS: We conducted a retrospective cross-sectional study of 22 pediatric EDs in the New York City tri-state area. We included patients meeting World Health Organization criteria for MIS-C and presented April 1 to June 30, 2020. Our main outcomes were to determine the association between clinical and laboratory factors to the development of delayed shock and to derive a laboratory-based prediction model based on identified independent predictors. RESULTS: Of 248 children with MIS-C, 87 (35%) had shock and 58 (66%) had delayed shock. A C-reactive protein (CRP) level greater than 20 mg/dL (adjusted odds ratio [aOR], 5.3; 95% confidence interval [CI], 2.4-12.1), lymphocyte percent less than 11% (aOR, 3.8; 95% CI, 1.7-8.6), and platelet count less than 220,000/uL (aOR, 4.2; 95% CI, 1.8-9.8) were independently associated with delayed shock. A prediction model including a CRP level less than 6 mg/dL, lymphocyte percent more than 20%, and platelet count more than 260,000/uL, categorized patients with MIS-C at low risk of developing delayed shock (sensitivity 93% [95% CI, 66-100], specificity 38% [95% CI, 22-55]). CONCLUSIONS: Serum CRP, lymphocyte percent, and platelet count differentiated children at higher and lower risk for developing delayed shock. Use of these data can stratify the risk of progression to shock in patients with MIS-C, providing situational awareness and helping guide their level of care.
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 | 0,001 | 0,001 |
| 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 ».