Enhancing predictive accuracy of the 13-item Acute Coronary Syndrome checklist: a novel approach to improving risk assessment and diagnosis
Notice bibliographique
Résumé
Objectives This study aimed to evaluate the discriminatory capacity of the 13-Item ACS checklist and improve the accuracy of ACS diagnosis through the application of weighted regression analysis.Materials and Methods This predictive correlation study enrolled 300 patients admitted to Emergency Department between February 2021 and January 2022. The ACS checklist was administered upon initial triage, followed by patient tracking over a one-month hospitalisation period, capturing ACS diagnoses. Data analysis employed STATA 17 and MEDCALC 20.0.13 software.Results Findings indicated that patients with sweating and shortness of breath symptoms had a heightened likelihood of true ACS diagnosis by 14% and 11%, respectively, compared to those without ACS (p = 0.005 and 0.019). Conversely, palpitations were associated with a 20% decreased likelihood of authentic ACS diagnosis (p < 0.001). Integration of significant regression coefficients – palpitation severity (-21), sweating severity (13.7), and shortness of breath severity (11) demonstrated significant discriminatory enhancements in the checklists. The weighted 13-item ACS checklist surpassed the unweighted version’s performance, yielding superior discriminatory power for ACS diagnosis (p < 0.001 and p = 0.089). The weighted checklist elevated the AUC score from 55% to 70%.Conclusions Incorporating weighted factors – shortness of breath severity, sweating severity, and palpitations severity – into the checklist notably enhanced ACS identification. However, it’s important to note that this tool, while showing promise, is not intended to serve as a standalone diagnostic tool for ACS. Instead, this tool has the potential to enhance risk assessment and aid in clinical decision-making.
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 | 0,021 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 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 ».