Performance of Clinical Risk Prediction Models for Post-ERCP Pancreatitis: A Systematic Review
Notice bibliographique
Résumé
OBJECTIVES: Pancreatitis is common following endoscopic retrograde cholangiopancreatography (ERCP). Despite increased vigilance of post-ERCP pancreatitis (PEP), both its incidence and associated mortality are rising. Risk prediction models may provide more accurate stratification of patient risk and proactive mitigation of PEP incidence and/or severe associated outcomes. METHODS: We conducted an electronic search of MEDLINE, PubMEd, Cochrane, and CINAHL from inception through April 9, 2024 for studies evaluating the details and performances of available PEP prediction models. Studies were eligible if they used statistical measures to quantify their model's predictive ability. Risk of bias was determined using the PROBAST tool. RESULTS: Nineteen studies met eligibility criteria and were included. Logistic regression models were used in 15 studies, with machine learning models representing the second most commonly used approach. Ten studies reported the performance of their risk prediction models using derivation data, with areas under the receiver operating curve (AUC) ranging from 0.68 to 0.86. Fifteen studies reported the performance of their risk prediction models on internally validated data, with AUCs ranging from 0.66 to 0.97. Eight studies reported on the performance of their risk prediction models on external validation data, with AUCs ranging from 0.67 to 0.98. DISCUSSION: Numerous PEP clinical prediction models exist with variable performances. The use of PEP prediction tools can support the management of patients following ERCP. Implementation studies assessing the optimal usability of these tools, followed by prospective evaluations, are needed to evaluate their potential impacts on reducing PEP in real-world practice.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».