Monitoring-Based Model for Personalizing Fecal Incontinence in Patients With Crohn’s Disease: A Multicenter Inception Cohort Study
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Fecal incontinence (FI) is a common complaint that greatly affects the quality of life of patients with Crohn's disease (CD) and is associated with the clinical characteristics of CD. We aimed to identify risk factors related to FI and construct a risk prediction model for FI in patients with CD. METHODS: This retrospective study included 600 Chinese patients with CD from 4 IBD centers between June 2016 and October 2021. The patients were assigned to the training (n = 480) and testing cohorts (n = 120). Two nomograms were developed based on the logistic regression and Cox regression models to predict the risk factors for FI in patients with CD. The discriminatory ability and accuracy of the nomograms were evaluated using the receiver operating characteristic (ROC) curves and the area under the ROC curves (AUCs). Additionally, the Kaplan-Meier survival curve was also used further to validate the clinical efficacy of the Cox regression model. RESULTS: The overall prevalence of FI was 22.3% (n = 134 of 600). In the logistic regression model, age at diagnosis (odds ratio [OR], 1.032; P = .033), penetrating behavior of disease (OR, 3.529; P = .008) and Perianal Disease Activity Index score >4 (OR, 3.068; P < .001) were independent risk factors for FI. In the Cox regression model, age at diagnosis (hazard ratio [HR], 1.027; P = .018), Montreal P classification (HR, 2.608; P = .011), and Perianal Disease Activity Index score >4 (HR, 2.190; P = .001) were independent predictors of the prevalence of FI over time. Two nomograms were developed to facilitate risk score calculation, and they showed good discrimination ability according to AUCs. CONCLUSIONS: In this study, we identified 4 risk factors related to the prevalence of FI and developed 2 models to effectively predict the risk scores of FI in CD patients, helping to delay the course of FI and improve the prognosis with timely intervention.
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 | 0,008 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 ».