Difference among frailty assessment tools in predicating postoperative prognosis of elderly patients with mild traumatic brain injury
Notice bibliographique
Résumé
OBJECTIVES: Mild Traumatic Brain Injury (mTBI) is quite prevalent in the elderly population, and the authors performed a retrospective analysis regarding the predictive value of frailty assessing tools regarding the prognosis of elderly mTBI patients. METHODS: All the patients underwent assessment of frailty upon admission using five tools including Frailty Phenotype (FP), FRAIL Scale (FS), Edmonton Frailty Scale (EFS), Groningen Frailty Indicator (GFI), and Clinical Frailty Scale (CFS). The predicting potential of tools was analyzed against the prognosis defined by the extended Glasgow Outcome Scale (GOSE). RESULTS: The incidence of frailty in elderly patients varies widely among the tools. Multivariate logistic regression analysis showed that only frail conditions defined by FP (p-value = 0.014) and FS (p-value = 0.004) could be employed for predicting unfavorable prognosis defined by GOSE, while frailty defined by CFS (p-value = 0.683), EFS (p-value = 0.301) and GFI (p-value = 0.925) could not. The ROC further showed that FP (AUC = 73.2 %) and FS (AUC = 76.2 %) had moderate power in predicting unfavorable conditions, while CFS (AUC = 46.1 %), EFS (AUC = 55.6 %), and GFI (AUC = 51.5 %) only had low or even no power. CONCLUSIONS: FP and FS could be used to predict the unfavorable prognosis associated with mTBI in the elderly population.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».