A simple electronic medical record-based predictors of illness severity in sepsis (sepsis) score
Notice bibliographique
Résumé
OBJECTIVE: Current scores for predicting sepsis outcomes are limited by generalizability, complexity, and electronic medical record (EMR) integration. Here, we validate a simple EMR-based score for sepsis outcomes in a large multi-centre cohort. DESIGN: A simple electronic medical record-based predictor of illness severity in sepsis (SEPSIS) score was developed (4 additive lab-based predictors) using a population-based retrospective cohort study. SETTING: Internal medicine services across four academic teaching hospitals in Toronto, Canada from April 2010-March 2015 (primary cohort) and 2015-2019 (secondary cohort). PATIENTS: We identified patients admitted with sepsis based upon receipt of antibiotics and positive cultures. MEASUREMENTS AND MAIN RESULTS: The primary outcome was in-hospital mortality and secondary outcomes were ICU admission at 72 hours, and hospital length of stay (LOS). We calculated the area under the receiver operating curve (AUROC) for the SEPSIS score, qSOFA, and NEWS2. We then evaluated the SEPSIS score in a secondary cohort (2015-2019) of hospitalized patients receiving antibiotics. Our primary cohort included 1,890 patients with a median age of 72 years (IQR: 56-83). 9% died during hospitalization, 18.6% were admitted to ICU, and mean LOS was 12.7 days (SD: 21.5). In the primary and secondary (2015-2019, 4811 patients) cohorts, the AUROCs of the SEPSIS score for predicting in-hospital mortality were 0.63 and 0.64 respectively, which were similar to NEWS2 (0.62 and 0.67) and qSOFA (0.62 and 0.68). AUROCs for predicting ICU admission at 72 hours, and length of stay > 14 days, were similar between scores, in the primary and secondary cohorts. All scores had comparable calibration for predicting mortality. CONCLUSIONS: An EMR-based SEPSIS score shows a similar ability to predict important clinical outcomes compared with other validated scores (qSOFA and NEWS2). Because of the SEPSIS score's simplicity, it may prove a useful tool for clinical and research applications.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».