Accuracy and Clinical Utility of Clinical Predictive Models for Identifying Dizziness with Central Causes; A Retrospective Diagnostic Accuracy Study.
Notice bibliographique
Résumé
Introduction: Although several clinical prediction models (CPMs) have been developed for identifying acute dizziness with central causes, their application in clinical practice remains unclear. This study aimed to evaluate the accuracy and clinical utility of four CPMs in identifying dizziness with central lesions. Methods: This single-center, retrospective, diagnostic accuracy study was conducted at the ED of Aomori Hospital, Japan, from April to March 2023. The area under the receiver operating characteristic curve (AUROC) of four risk stratification models (ABCD2, TriAGe+, PCI, and Sudbury) in predicting dizziness with central causes were evaluated considering the brain imaging (computed tomography (CT) scan and magnetic resonance imaging (MRI)) findings, interpreted by a neurologist or neurosurgeon, as the gold standard. Calibration was evaluated visually using calibration plots. Additionally, analyses of efficacy, safety, and clinical utility using a decision curve were conducted. Results: Of the 3,606 patients identified, 2,958 with the mean age of 65.3 ± 16.4 (range: 15-97.) years were included in the final analysis (64.7% female). 155 (5.2 %) were diagnosed with central lesions. The AUROCs were 0.67 (95% confidence interval (CI): 0.62-0.71) for ABCD2, 0.80 (95% CI: 0.76-0.84) for TriAGe+, 0.82 (0.78-0.86) for PCI, and 0.85 (95% CI: 0.82-0.88) for Sudbury. TriAGe+, PCI, and Sudbury demonstrated good calibration. Among these, the Sudbury model demonstrated the highest diagnostic efficiency, was the only model to meet safety criteria, and provided the highest net benefit in decision curve analysis, particularly at lower predicted prevalence thresholds. Conclusion: The TriAGe+, PCI, and Sudbury models demonstrated strong discriminatory performance and reliable calibration when applied during ED admission at a community hospital. Particularly, the Sudbury model may reduce false-negative outcomes for central lesions, thereby potentially minimizing the need for unnecessary neuroimaging in patients identified as low-risk.
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 | 0,011 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».