Predicting Outcomes in Patients with Diffuse Axonal Injury: External Validation of the Widely Used Prognostic Instruments
Notice bibliographique
Résumé
AIM: Accurate prognosis of diffuse axonal injury (DAI) is important in directing clinical care, allocating resources appropriately, and communicating with families and surrogate decision-makers. METHODS: A study was conducted on patients with clinical DAI due to closed-head traumatic brain injury treated at a trauma center in Brazil from July 2013 to September 2015. The objective efficacy of the Glasgow Coma Scale (GCS), Trauma and Injury Severity Scoring system (TRISS), New Trauma and Injury Severity Scoring system (NTRISS), Abbreviated Injury Scale (AIS)/head, Corticosteroid Randomization After Significant Head Injury (CRASH), and International Mission on Prognosis and Analysis of Clinical Trials (IMPACT) models in the prediction of mortality at 14 days and 6-months and unfavorable outcomes at 6 months was tested. RESULTS: Our cohort comprised 95 prospectively recruited adults (85 males, 10 females, mean age 30.3 ± 10.9 years) admitted with DAI. Model efficacy was assessed through discrimination (area under the curve [AUC]), and Cox calibration. The AIS/head, TRISS, NTRISS, CRASH, and IMPACT models were able to discriminate both mortality and unfavorable outcomes (AUC 0.78-0.87). IMPACT models resulted in a statistically perfect calibration for both 6-month outcome variables; mortality and 6-month unfavorable outcome. Calibration also revealed that TRISS, NTRISS, and CRASH systematically overpredicted both outcomes, except for 6-month unfavorable outcome with TRISS. CONCLUSIONS: The results of this study suggest that TRISS, NTRISS, CRASH, and IMPACT models satisfactorily discriminate between mortality and unfavorable outcomes. However, only the TRISS and IMPACT models showed accurate calibration when predicting 6-month unfavorable outcome.
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 | 0,000 | 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 ».