Predictors of abnormal computed tomography findings for paediatric head injury: a retrospective cohort study
Notice bibliographique
Résumé
Objectives: Head injuries in children are common causes for visits to the emergency department (ED). Computed tomography (CT) scans are useful for confirming head injury diagnoses. However, radiation exposure from CT scans might cause lethal malignancies. We aimed to examine predictors for the indication of performing CT scans necessary for diagnosis. Design: Retrospective cohort study. Setting: Three EDs in Japan Participants: Patients aged <16 years with head trauma who underwent CT. Primary and Secondary Outcome Measures: The primary outcome measure was abnormal CT findings that were evaluated using the area under the receiver-operating characteristic curve (AUC). We derived predictors from three existing CDRs: Canadian Assessment of Tomography for Childhood Head Injury (CATCH), Children’s Head Injury Algorithm for the Prediction of Important Clinical Events (CHALICE), and Paediatric Emergency Care Applied Research Network (PECARN). Results: Of 1,103 eligible patients, 410 were included in this study. There were 283 (68%) boys, and the median age was 2 years. In total, 35 (9%) patients showed an abnormality, 73 (18%) were admitted, and 3 (0.7%) underwent neurosurgery. We developed a CDR consisting of 6 predictors for identifying children with abnormal CT findings: (1) severe or worsening headache; (2) GCS <15; (3) signs of skull fracture; (4) hematoma; (5) loss of consciousness; and (6) altered mental status. Our CDR had a sensitivity of 74.3%, a specificity of 75.2%, a negative predictive value of 96.9%, and a positive predictive value of 21.8%. The AUC for our rule was not inferior to those for CATCH, CHALICE, and PECARN {0.75 (95% confidence interval [CI], 0.67-0.81) versus 0.64 (95% CI, 0.56-0.73; p<0.05), 0.68 (95% CI, 0.60–0.76; p=0.28), and 0.67 (95% CI, 0.60-0.74); p=0.10}. Conclusions: Our findings suggest that a CDR, which lowers the frequency of CT in children with head injuries, must be developed and validated.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».