Derivation and validation of a clinical prediction model for risk-stratification of children hospitalized with severe pneumonia in Bangladesh
Notice bibliographique
Résumé
Children with severe pneumonia in low- and middle-income countries (LMICs) suffer from high rates of treatment failure despite appropriate World Health Organization (WHO)-directed antibiotic treatment. Developing a clinical prediction rule for treatment failure may allow early identification of high-risk patients and timely intervention to decrease mortality. We used data from two separate studies conducted at the Dhaka Hospital of the International Centre for Diarrheal Disease Research, Bangladesh (icddr,b) to derive and externally validate a clinical prediction rule for treatment failure of children hospitalized with severe pneumonia. The derivation dataset was from a randomized clinical trial conducted from 2018 to 2019, studying children aged 2 to 59 months hospitalized with severe pneumonia as defined by WHO. Treatment failure was defined by the persistence of danger signs at the end of 48 hours of antibiotic treatment or the appearance of any new danger signs within 24 hours of enrollment. We built a random forest model to identify the top predictors. The top six predictors were the presence of grunting, room air saturation, temperature, the presence of lower chest wall indrawing, the presence of respiratory distress, and central cyanosis. Using these six predictors, we created a parsimonious model with a discriminatory performance of 0.691, as measured by area under the receiving operating curve (AUC). We performed external validation using a temporally distinct dataset from a cohort study of 191 similarly aged children with severe acute malnutrition and pneumonia. In external validation, discriminatory performance was maintained with an improved AUC of 0.718. In conclusion, we developed and externally validated a parsimonious six-predictor model using random forest methods to predict treatment failure in young children with severe pneumonia in Bangladesh. These findings can be used to further develop and validate parsimonious and pragmatic prognostic clinical prediction rules for pediatric pneumonia, particularly in LMICs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».