Validation of a risk-prediction model for pediatric post-discharge mortality after hospital admission for infection in Rwanda: A prospective cohort study
Notice bibliographique
Résumé
Mortality following hospital discharge remains a significant threat to child health, particularly in resource-limited settings. The Smart Discharges risk-prediction models use simple clinical, socio-behavioral, and point-of-care lab test variables to successfully predict children at the highest risk of death after hospital admission for infection to guide a risk-based approach to post-discharge care. In Rwanda, we externally validated five models derived from the prior Smart Discharges Uganda studies in a new cohort of children ages 0 days to 60 months admitted for suspected sepsis at two hospitals. We evaluated model performance using metrics including area under the receiver operating characteristic curve (AUROC), Brier score, and test characteristics (e.g., sensitivity, specificity). Performance was visualized through ROC and gain curves and calibration plots. Of 1218 total children (n = 413, Kigali; n = 805, Ruhengeri), 1161 lived to discharge (95.3%) and 1123 of those completed 6-month follow-up (96.7%). The overall rate of post-discharge mortality was 4.8% (n = 58). All five prediction models tested achieved an area under the receiver-operating curve (AUROC) greater than 0.7 (range 0.706 - 0.738). Low outcome rates resulted in moderately wide confidence intervals. Model degradation ranged from 1.1% to 7.7%, as determined by the percent reduction in AUROC between the internal validation of the original Ugandan cohort and the external Rwandan cohort. Calibration plots showed good calibration for all models at predicted probabilities below 10%. There were too few outcomes to assess calibration among those at the highest predicted risk levels. Discrimination was good with minimal degradation of the model despite low outcome rates. Future work to assess model calibration among the highest risk groups is required to ensure models are broadly generalizable to all children with suspected sepsis in Rwanda and in similar, resource-limited settings.
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 | 0,019 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».