Additional file 1 of Prediction of major postoperative events after non-cardiac surgery for people with kidney failure: derivation and internal validation of risk models
Notice bibliographique
Résumé
Additional file 1: Supplementary Table 1. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD) Checklist for Prediction model development. Supplementary Table 2. Algorithms of ICD-9 and 10 codes used to define components of our composite outcome. Supplementary Table 3. Candidate Predictor definition along with source of data and ICD-9/10 algorithms if applicable. Supplementary Table 4. Surgical Categories by Canadian Classification of Health Intervention (CCI) codes. Supplementary Table 5. Estimated Sample Size Calculations using ‘pmsampsize’ in Stata software v17.0 and as suggested by Riley et al (2020). Supplementary Table 6. Top causes of death for those that died within 30 days of surgery, with associated ICD-10 codes. Supplementary Table 7. Performance of models evaluated in cohort with only first surgery per participant. Supplementary Table 8. Event and non-eventReclassification Tables between models, stratified by clinically important probability categories. Supplementary Figure 1. Decision Curve Analysis to estimate the net benefit of use of perioperative risk prediction models in ambulatory or inpatient elective surgery (sensitivity analysis).
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 | 0,002 |
| 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) | 0,064 | 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 ».