Research on Prediction Model of Severe Autoimmune Encephalitis
Notice bibliographique
Résumé
Objective This study aimed to identify the factors that influencing the severity of autoimmune encephalitis and establish a predictive model for severe autoimmune encephalitis. Background Recognizing the predictors of disease severity in autoimmune encephalitis is essential for individualized treatment strategy. Design/Methods Clinical information were retrospectively collected from suspected autoimmune encephalitis patients at Beijing Tongren Hospital between February 2012 and May 2022. Patients meeting inclusion criteria were divided into development and validation cohorts based on the timing of antibody detection. Disease severity was assessed by modified Rankin scale (mRS) and the Clinical Assessment Scale for Autoimmune Encephalitis (CASE). Univariate and logistic regression were employed to identify factors impacting disease severity. A nomogram was constructed for predicting severe autoimmune encephalitis. Results A total of 207 patients with autoimmune encephalitis were included in the analysis of factors related to disease severity. A nomogram was developed to predict severity, incorporating variables such as age, psychiatric and/or behavioral abnormalities, seizures, impaired consciousness, cognitive impairment, involuntary movements, combined tumors, admission to ICU, increased intrathecal synthesis rate of IgG. In the development cohort, the area under curve (AUC) was 0.831 (95% CI: 0.762 - 0.899); in internal validation using the Bootstrap method, the AUC was 0.832 (95% CI: 0.707 - 0.902); in the external validation AUC was 0.800 (95% CI 0.645 - 0.956), the calibration curve shows well calibration effect. Conclusions This study established and validated a nomogram for predicting severe autoimmune encephalitis, demonstrating robust discrimination and calibration.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».