Selection of Single-Analyte Delta Check Rules with Logistic Regression for Detection of Intravenous Fluid Contamination in a Clinical Chemistry Laboratory
Notice bibliographique
Résumé
BACKGROUND: The conventional single-analyte delta check, utilized for identifying intravenous fluid contamination and other preanalytical errors, is known to flag many specimens reflecting true patient status changes. This study aimed to derive delta check rules that more accurately identify contamination. METHODS: Results for calcium, creatinine, glucose, sodium, and potassium were retrieved from 326 103 basic or comprehensive metabolic panels tested between February 2021 and January 2022. In total, 7934 specimens showed substantial result changes, of which 1489 were labeled as either contaminated or non-contaminated based on chart review. These labeled specimens were used to derive logistic regression models and to select the most predictive single-analyte delta checks for 4 common contaminants. Their collective performance was evaluated using a test data set from October 2023 comprising 14 717 specimens. RESULTS: The most predictive single-analyte delta checks included a calcium change by ≤-24% for both saline and Plasma-Lyte A contamination, a potassium increase by ≥3.0 mmol/L for potassium contamination, and a glucose increase by ≥400 mg/dL (22.2 mmol/L) for dextrose contamination. In the training data sets, multi-analyte logistic regression models performed better than single-analyte delta checks. In the test data set, logistic regression models and single-analyte delta checks demonstrated collective alert rates of 0.58% (95% CI, 0.46%-0.71%) and 0.60% (95% CI, 0.49%-0.74%), respectively, along with collective positive predictive values of 79% (95% CI, 70%-89%) and 77% (95% CI, 68%-87%). CONCLUSIONS: Single-analyte delta checks selected by logistic regression demonstrated a low false alert rate.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».