Prediction of atrial fibrillation after a stroke event: A systematic review with meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Detecting atrial fibrillation (AF) after stroke is a key component of secondary prevention, but indiscriminate prolonged cardiac monitoring is costly and burdensome. Multivariable prediction models could be used to inform selection of patients. OBJECTIVE: This study aimed to determine the performance of available models for predicting AF after a stroke. METHODS: We searched for studies of multivariable models that were derived, validated, or augmented for prediction of AF in patients with a stroke, using MEDLINE and Embase from inception through September 20, 2024. Discrimination measures for tools with C statistic data from ≥3 cohorts were pooled by bayesian meta-analysis, with heterogeneity assessed through a 95% prediction interval. The risk of bias was assessed with the Prediction model Risk Of Bias Assessment tool (PROBAST). RESULTS: We included 75 studies with 58 prediction models; 66% had a high risk of bias. Fifteen multivariable models were eligible for meta-analysis. Three models showed excellent discrimination: SAFE (C statistic, 0.856; 95% confidence interval [CI], 0.796-0.916), SURF (0.815; 95% CI, 0.728-0.893), and iPAB (0.888; 95% CI, 0.824-0.957). Excluding high-bias studies, only SAFE showed excellent discrimination (0.856; 95% CI 0.800-0.915). No model showed excellent discrimination when limited to external validation or studies with ≥100 AF events. No clinical impact studies were found. CONCLUSION: Three of the 58 identified multivariable prediction models for AF after stroke demonstrated excellent statistical performance on meta-analysis. However, prospective validation is required to understand the effectiveness of these models in clinical practice before they can be recommended for inclusion in clinical guidelines.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,009 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».