Development and validation of a practical clinical risk prediction model for post‐endoscopic retrograde cholangiopancreatography pancreatitis
Notice bibliographique
Résumé
Background: Pancreatitis following endoscopic retrograde cholangiopancreatography (ERCP) can lead to significant morbidity and mortality. We aimed to develop an accurate post-ERCP pancreatitis risk prediction model using easily obtainable variables. Methods: Using prospective multi-center ERCP data, we performed logistic regression using stepwise selection on several patient-, procedure-, and endoscopist-related factors that were determined a priori. The final model was based on a combination of the Bayesian information criterion and Akaike's information criterion performance, balancing the inclusion of clinically relevant variables and model parsimony. All available data were used for model development, with subsequent internal validation performed on bootstrapped data using 10-fold cross-validation. Results: Data from 3021 ERCPs were used to inform models. There were 151 cases of post-ERCP pancreatitis (5.0% incidence). Variables included in the final model included female sex, pancreatic duct cannulation, native papilla status, pre-cut sphincterotomy, increasing cannulation time, presence of biliary stricture, patient age, and placement of a pancreatic duct stent. The final model was discriminating, with a receiver operating characteristic curve statistic of 0.79, and well-calibrated, with a predicted risk-to-observed risk ratio of 1.003. Conclusions: We successfully developed and internally validated a promising post-ERCP pancreatitis clinical prediction model using easily obtainable variables that are known at baseline or observed during the ERCP procedure. The model achieved an area under the curve of 0.79. External validation is planned as additional data becomes available.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».