Identification of cytokine release syndrome and indicators of severity in retrospective databases among patients receiving immunotherapy
Notice bibliographique
Résumé
Cytokine release syndrome (CRS) can occur following cancer immunotherapies, but is most often mild and of limited duration. International Classification of Diseases (ICD)-10 codes allowing identification of CRS were introduced in 2020 but may be underutilized. We evaluated the performance of a published claims-based algorithm to detect CRS (any grade) and high-grade CRS (HG, grades 2-5), as well as identified indicators of HG CRS in retrospective data. Adults with low-grade and HG CRS during an encounter coinciding with administrations of blinatumomab or chimeric antigen receptor-T therapy were identified in three types of retrospective databases (hospital chargemaster data, electronic health records, and administrative claims). The algorithm's sensitivity in detecting any CRS and HG CRS was reported. A least absolute shrinkage and selection operator (LASSO) regression model was developed to identify indicators of HG CRS. Performance of the model was evaluated using area under the curve (AUC). The sensitivity of the algorithm to detect any grade CRS ranged between 77%-100% and between 8%-80% for HG CRS, depending on the type of database. The LASSO model identified hypotension, positive pressure (including mechanical ventilation), tocilizumab, and vasopressors as indicators of HG CRS. AUC varied between 60% and 75%. The algorithm accurately detected any grade CRS for over three-quarters of instances, but was not as reliable for HG CRS. Results varied based on database attributes. Hypotension, vasopressors, positive pressure, and tocilizumab were associated with HG CRS and may be methodologically helpful signals of CRS severity in retrospective data.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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) | 0,001 | 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 ».