Global performance of predictive models for dengue severity, hospitalization and mortality: A systematic review and meta-analysis of 146 studies
Rattachement africain : br, gb, Sénégal. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
OBJECTIVES: Predictive models are increasingly used to support the clinical management of dengue, but their performance varies widely across settings. We aimed to evaluate multivariable prediction models for dengue severity, mortality, and hospitalization, and to summarize the predictors most consistently associated with these outcomes. METHODS: We searched five databases for studies that developed or validated multivariable models predicting severity, hospitalization, or mortality in dengue populations. Two reviewers independently selected studies and extracted data, and risk of bias was assessed with PROBAST. We pooled diagnostic accuracy estimates using bivariate models and synthesized predictor effects with random-effects meta-analyses. RESULTS: A total of 146 studies were included: 109 addressed severity, 42 mortality, and 12 hospitalizations. For severity, pooled sensitivity was 0·85 (95% CI 0·82-0·87) and the overall AUC was 0·93 (0·91-0·94), with machine learning models slightly outperforming traditional regression (AUC 0·93 vs 0·90). PROBAST classified 112 of 146 studies as high risk of bias. Bleeding, shock, and hypoalbuminemia were the predictors most consistently associated with adverse outcomes. CONCLUSIONS: Dengue prediction models, especially those based on machine learning, show good discrimination for severity, but the evidence is limited by high risk of bias and scarce external validation.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Global performance of predictive models for dengue severity, hospitalization and mortality: A systematic review and meta-analysis of 146 studies
- Date Crossref
- 01/09/2026
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Fundação Oswaldo Cruz pays non établi dans la noticeStructure de recherche
-
Pontifícia Universidade Católica do Rio de Janeiro pays non établi dans la noticeUniversité ou école supérieure
-
University of Oxford Pandemic Sciences Institute Institut Pasteur de Dakar, Sénégal (pays nommé en fin d’affiliation)Université ou école supérieure
-
Institut Pasteur de Dakar Institut Pasteur de Dakar, Sénégal (code pays fourni par la source)Organisation à but non lucratif
-
Oswaldo Cruz Foundation (FIOCRUZ) South-America Hub pays non établi dans la noticeOrganisation à but non lucratif
-
Pontifical Catholic University of Rio de Janeiro Department of Industrial Engineering pays non établi dans la noticeUniversité ou école supérieure
-
Universidade Federal de Pernambuco Department of Industrial Engineering pays non établi dans la noticeUniversité ou école supérieure
-
Universidade Nova de Lisboa Department of Industrial Engineering pays non établi dans la noticeUniversité ou école supérieure
Fundação Oswaldo Cruz, Pontifícia Universidade Católica do Rio de Janeiro et Pandemic Sciences Institute — University of Oxford (Institut Pasteur de Dakar, Sénégal), avec 5 autres affiliations. Pays d’affiliation : Sénégal.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.