Development and validation of PRECISE-X model: predicting first severe exacerbation in COPD
Notice bibliographique
Résumé
OBJECTIVES: In patients with chronic obstructive pulmonary disease (COPD), severe exacerbations (ECOPDs) impose significant morbidity and mortality. Current guidelines emphasise using ECOPD history to inform preventive treatments but offer limited guidance for risk stratification for the first severe ECOPD. METHODS: We developed and validated PRECISE-X using a cohort of newly diagnosed COPD patients from the UK's Clinical Practice Research Datalink (2004-2022), to predict first severe ECOPD over 5 years (primary outcome) and 12 months (secondary outcome). Predictors were selected via clinical expertise and data-driven methods. Internal-external cross-validation was performed across practice regions to evaluate the model's out-of-sample performance in terms of discrimination (c-statistic), calibration and net benefit. RESULTS: The study included 2 19 015 patients (mean age 66.0; 42.4% female). Observed risk of first severe ECOPD was 29.5% at 5 years (4.2% at 1 year). The final model included four mandatory predictors (sex, age, Medical Research Council dyspnoea score and forced expiratory volume in 1 second) and 28 optional predictors. In internal-external cross-validation, the average out-of-sample c-statistic was 0.836 (95% CI 0.827 to 0.846) for 5-year prediction and 0.756 (95% CI 0.746 to 0.766) for 1-year prediction. Calibration across regions was robust, and the model showed positive NB across a wide range of risk thresholds. In a secondary validation assessment among those with available spirometry data with confirmed airflow obstruction, the model was well calibrated and had only a modest decline in discriminatory performance. CONCLUSIONS: PRECISE-X accurately predicts the first severe COPD exacerbation using routine clinical data, supporting earlier risk stratification and proactive disease management.
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 ».