Development and external validation of a model to predict multidrug‐resistant bacterial infections in patients with cirrhosis
Notice bibliographique
Résumé
With the increasing rate of infections caused by multidrug-resistant organisms (MDRO), selecting appropriate empiric antibiotics has become challenging. We aimed to develop and externally validate a model for predicting the risk of MDRO infections in patients with cirrhosis. METHODS: We included patients with cirrhosis and bacterial infections from two prospective studies: a transcontinental study was used for model development and internal validation (n = 1302), and a study from Argentina and Uruguay was used for external validation (n = 472). All predictors were measured at the time of infection. Both culture-positive and culture-negative infections were included. The model was developed using logistic regression with backward stepwise predictor selection. We externally validated the optimism-adjusted model using calibration and discrimination statistics and evaluated its clinical utility. RESULTS: The prevalence of MDRO infections was 19% and 22% in the development and external validation datasets, respectively. The model's predictors were sex, prior antibiotic use, type and site of infection, MELD-Na, use of vasopressors, acute-on-chronic liver failure, and interaction terms. Upon external validation, the calibration slope was 77 (95% CI .48-1.05), and the area under the ROC curve was .68 (95% CI .61-.73). The application of the model significantly changed the post-test probability of having an MDRO infection, identifying patients with nosocomial infection at very low risk (8%) and patients with community-acquired infections at significant risk (36%). CONCLUSION: This model achieved adequate performance and could be used to improve the selection of empiric antibiotics, aligning with other antibiotic stewardship program strategies.
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 ».