Risikostratifizierung in der Herzchirurgie - Betrachtung von 6 Risiko-Scores im Hinblick auf ihre Anwendbarkeit und prognostische Wertigkeit
Bibliographic record
Abstract
In der vorliegenden Arbeit wurden 6 der bekanntesten Risiko-Scores zur Abschatzung der perioperativen Mortalitat bei herzchirurgischen Eingriffen miteinander verglichen (Parsonnet-Score, Cleveland Clinic-Score, Ontario Province Risk-Score, French-Score, Pons-Score und Euro-Score). Hierzu wurden die Daten von 135 Patienten, die sich von Mai bis einschlieslich September 2002 einer Herzoperation (Bypass-, Herzklappen-, oder Kombinations-Operation) an der Klinik fur Herz- und Thorax-Chirurgie der Universitat Wurzburg unterzogen, nachuntersucht. Da nur 3/6 der Risiko-Scores eine Aussage bezuglich der postoperativen Morbiditat treffen, wurden die, die Morbiditat betreffenden Daten keiner statistischen Analyse zugefuhrt. 3/135 Patienten verstarben perioperativ (2,2%). 74/135 Patienten entwickelten postoperativ Komplikationen (54,8%). Die Analyse der Daten zeigte fur keinen der Risiko-Scores statistische Signifikanz (p ≤ 0,05). Der Euro-Score war der einzige Risiko-Score, der alle verstorbenen Patienten in die Gruppe mit dem hochsten Risiko eingeteilt hatte. Aufgrund seiner vielen Parameter und wenigen Punkte pro Parameter ist der Euro-Score fur zufallige Ereignisse und Fehleinteilungen weniger anfallig als andere Risiko-Scores. Die Mortalitat als Endpunkt ist fur einen Risiko-Score besser geeignet als die Morbiditat, da kein Raum fur subjektive Auslegung und Fehleinschatzung besteht. Aufgrund der Schwierigkeit gemeinsame pradiktive Parameter fur Mortalitat und Morbiditat zu finden sollten getrennte Score-Systeme zur Anwendung kommen. Jeder Risiko-Score sollte von Zeit zu Zeit uberarbeitet und dem medizinischen Fortschritt angepasst werden, bei der Auswahl der Parameter ist auf ausreichende Objektivitat und exakte Definition zu achten.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".