Validation of a risk-prediction model for pediatric post-discharge mortality after hospital admission in Rwanda
Notice bibliographique
Résumé
Mortality following hospital discharge remains a significant threat to child health, particularly in resource-limited settings. In Uganda, the Smart Discharges risk-prediction models have successfully predicted children at the highest risk of death after hospital admission for sepsis to guide a risk-based approach to post-discharge care. We externally validated five models derived from Smart Discharges Uganda in a new cohort of children ages 0 days to 60 months admitted for suspected sepsis at two hospitals in Rwanda. Of 1218 total children (n=413, Kigali; n=805, Ruhengeri), 1161 lived to discharge (95.3%) and 1123 of those completed 6-month follow-up (96.7%). The overall rate of post-discharge mortality was 4.8% (n=58). All five prediction models tested achieved an area under the receiver-operating curve (AUROC) greater than 0.7 (range 0.706 - 0.738). Low outcome rates resulted in moderately wide confidence intervals. Model degradation ranged from 1.1% to 7.7%, as determined by the percent reduction in AUROC between the internal validation of the original Ugandan cohort and the external Rwandan cohort. Calibration plots showed good calibration for all models at predicted probabilities below 10%. There were too few outcomes to assess calibration among those at the highest predicted risk levels. Discrimination was good with minimal degradation of the model despite low outcome rates. Future work to assess model calibration among the highest risk groups is required to ensure models are broadly generalizable to all children with suspected sepsis in Rwanda and in similar, resource-limited settings.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».