Evaluation of Three Clinical Decision Rules in Pediatric Patients with Minor Head Injury: PECARN, CHALICE and CHATCH
Notice bibliographique
Résumé
Objective: In this study, we aimed to evaluate the diagnostic accuracy of the Pediatric Emergency Care Applied Research Network (PECARN), Canadian Assessment of Tomography for Childhood Head Injury (CATCH), and children's head injury algorithm for the prediction of important clinical events guidelines in identifying clinically important traumatic brain injury (ciTBI) in pediatric patients with minor head injury. Materials and Methods:This single-center, prospectively designed study was performed in the emergency department (ED) of a tertiary hospital.The study included patients under 18 years old who presented to the ED with head trauma and a GCS of 14-15.The primary outcome of the study was the relationship between the decision rules and ciTBI.Results: The study was completed with 502 patients.It was found that the PECARN algorithm was 80% sensitive in detecting ciTBI in patients younger than 2 years of age, and 84.55% in patients aged 2 years or older.While this rate decreased (50.0%) in CATCH, it was higher (89.54%) in CHALICE.In the detection of patients without a risk (specificity), all 3 algorithms found good detections, and the specificity rates were between 82% and 90%.Conclusion: ciTBI risk prediction models will assist in clinical decision making and establish an accurate neuroimaging strategy.According to the results of our study, all three clinical decision rules can be safely used in the management of pediatric minor head trauma 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 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 | 0,007 | 0,038 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».