Mortality Prediction Performance Under Geographical, Temporal, and COVID-19 Pandemic Dataset Shift: External Validation of the Global Open-Source Severity of Illness Score Model
Notice bibliographique
Résumé
BACKGROUND: Risk-prediction models are widely used for quality of care evaluations, resource management, and patient stratification in research. While established models have long been used for risk prediction, healthcare has evolved significantly, and the optimal model must be selected for evaluation in line with contemporary healthcare settings and regional considerations. OBJECTIVES: To evaluate the geographic and temporal generalizability of the models for mortality prediction in ICUs through external validation in Japan. DERIVATION COHORT: Not applicable. VALIDATION COHORT: The care Japanese Intensive care PAtient Database from 2015 to 2022. PREDICTION MODEL: The Global Open-Source Severity of Illness Score (GOSSIS-1), a modern risk model utilizing machine learning approaches, was compared with conventional models-the Acute Physiology and Chronic Health Evaluation (APACHE-II and APACHE-III)-and a locally calibrated model, the Japan Risk of Death (JROD). RESULTS: Despite the demographic and clinical differences of the validation cohort, GOSSIS-1 maintained strong discrimination, achieving an area under the curve of 0.908, comparable to APACHE-III (0.908) and JROD (0.910). It also exhibited superior calibration, achieving a standardized mortality ratio (SMR) of 0.89 (95% CI, 0.88-0.90), significantly outperforming APACHE-II (SMR, 0.39; 95% CI, 0.39-0.40) and APACHE-III (SMR, 0.46; 95% CI, 0.46-0.47), and demonstrating a performance close to that of JROD (SMR, 0.97; 95% CI, 0.96-0.99). However, performance varied significantly across disease categories, with suboptimal calibration for neurologic conditions and trauma. While the model showed temporal stability from 2015 to 2019, performance deteriorated during the COVID-19 pandemic, broadly reducing performance across disease categories in 2020. This trend was particularly pronounced in GOSSIS compared with APACHE-III. CONCLUSIONS: GOSSIS-1 demonstrates robust discrimination despite substantial geographic dataset shift but shows important calibration variations across disease categories. In particular, in a complex model like GOSSIS-1, stresses on the health system, such as a pandemic, can manifest changes in model calibration.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».