Key Principle #1: Causal inference requires careful consideration of confounding d Preferred variable selection methods 1. Historical confounder definition with purposeful variable selection 2. Causal models using directed acyclic graphs d Variable selection methods that do not adequately control for confounding 3. P value-or model-based methods 4. Methods based on b-coefficient changes 5. Selection of variables to identify "independent predictors" d Do not present all of the effect estimates from a model designed to test a single causal association (Table 2 fallacy) Key Principle #2: Interpretation of results should not rely on the magnitude of P values d P values should rarely be presented in isolation d Present effect estimates and measures of variability with or without P values d Variability around effect estimates should inform conclusions d A conclusion of "no association" should require exclusion of meaningful effect sizes d Avoid the word "significant" in favor of more specific language.Key Principle #3: Results should be presented in a granular and transparent fashion d Use the STROBE statement and checklist d Model tables after the STROBE explanation and elaboration document (30) d Visual presentation of quantitative results B Present individual data points when possible B Avoid excessive lines, text, grids, and abbreviations B Continuous data should not be presented in bar charts with standard error bars ("plunger plots") B Use color-blind-friendly palettes

Objectives To evaluate current processes by which young children presenting with a febrile illness but suspected of having serious bacterial infection are diagnosed and treated, and to develop and test a multivariable model to distinguish serious bacterial infections from self limiting non-bacterial illnesses. Design Two year prospective cohort study. Setting The emergency department of The Children’s Hospital at Westmead, Westmead, Australia. Participants Children aged less than 5 years presenting with a febrile illness between 1 July 2004 and 30 June 2006. Intervention A standardised clinical evaluation that included mandatory entry of 40 clinical features into the hospital’s electronic record keeping system was performed by physicians. Serious bacterial infections were confirmed or excluded using standard radiological and microbiological tests and follow-up. Main outcome measures Diagnosis of one of three key types of serious bacterial infection (urinary tract infection, pneumonia, and bacteraemia), and the accuracy of both our clinical decision making model and clinician judgment in making these diagnoses. Results We had follow-up data for 93% of the 15 781 instances of febrile illnesses recorded during the study period. The combined prevalence of any of the three infections of interest (urinary tract infection, pneumonia, or bacteraemia) was 7.2% (1120/15 781, 95% confidence interval (CI) 6.7% to 7.5%), with urinary tract infection the diagnosis in 543 (3.4%) cases of febrile illness (95% CI 3.2% to 3.7%), pneumonia in 533 (3.4%) cases (95% CI 3.1% to 3.7%), and bacteraemia in 64 (0.4%) cases (95% CI 0.3% to 0.5%). Almost all (>94%) of the children with serious bacterial infections had the appropriate test (urine culture, chest radiograph, or blood culture). Antibiotics were prescribed acutely in 66% (359/543) of children with urinary tract infection, 69% (366/533) with pneumonia, and 81% (52/64) with bacteraemia. However, 20% (2686/13 557) of children without bacterial infection were also prescribed antibiotics. On the basis of the data from the clinical evaluations and the confirmed diagnosis, a diagnostic model was developed using multinomial logistic regression methods. Physicians’ diagnoses of bacterial infection had low sensitivity (10-50%) and high specificity (90-100%), whereas the clinical diagnostic model provided a broad range of values for sensitivity and specificity. Conclusions Emergency department physicians tend to underestimate the likelihood of serious bacterial infection in young children with fever, leading to undertreatment with antibiotics. A clinical diagnostic model could improve decision making by increasing sensitivity for detecting serious bacterial infection, thereby improving early treatment.

Prediction models aim to use available data to predict a health state or outcome that has not yet been observed. Prediction is primarily relevant to clinical practice, but is also used in research, and administration. While prediction modeling involves estimating the relationship between patient factors and outcomes, it is distinct from casual inference. Prediction modeling thus requires unique considerations for development, validation, and updating. This document represents an effort from editors at 31 respiratory, sleep, and critical care medicine journals to consolidate contemporary best practices and recommendations related to prediction study design, conduct, and reporting. Herein, we address issues commonly encountered in submissions to our various journals. Key topics include considerations for selecting predictor variables, operationalizing variables, dealing with missing data, the importance of appropriate validation, model performance measures and their interpretation, and good reporting practices. Supplemental discussion covers emerging topics such as model fairness, competing risks, pitfalls of “modifiable risk factors”, measurement error, and risk for bias. This guidance is not meant to be overly prescriptive; we acknowledge that every study is different, and no set of rules will fit all cases. Additional best practices can be found in the Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD) guidelines, to which we refer readers for further details.

Objective Awareness of the need for early identification and treatment of sleep disordered breathing (SDB) in neonates is increasing but is challenging. Unrecognised SDB can have negative neurodevelopmental consequences. Our study aims to describe the clinical profile, risk factors, diagnostic modalities and interventions that can be used to manage neonates with SDB to facilitate early recognition and improved management. Methods A single-centre retrospective study of neonates referred for assessment of suspected SDB to a tertiary newborn intensive care unit in New South Wales Australia over a 2-year period. Electronic records were reviewed. Outcome measures included demographic data, clinical characteristics, comorbidities, reason for referral, polysomnography (PSG) data, interventions targeted to treat SDB and hospital outcome. Descriptive analysis was performed and reported. Results Eighty neonates were included. Increased work of breathing, or apnoea with oxygen desaturation being the most common reasons (46% and 31%, respectively) for referral. Most neonates had significant comorbidities requiring involvement of multiple specialists (mean 3.3) in management. The majority had moderate to severe SDB based on PSG parameters of very high mean apnoea-hypopnoea index (62.5/hour) with a mean obstructive apnoea index (38.7/hour). Ten per cent of patients required airway surgery. The majority of neonates (70%) were discharged home on non-invasive ventilation. Conclusion SDB is a serious problem in high-risk neonates and it is associated with significant multisystem comorbidities necessitating a multidisciplinary team approach to optimise management. This study shows that PSG is useful in neonates to diagnose and guide management of SDB.

Effective detection of early lung disease in cystic fibrosis (CF) is critical to understanding early pathogenesis and evaluating early intervention strategies. We aimed to compare ability of several proposed sensitive functional tools to detect early CF lung disease as defined by CT structural disease in school aged children.

Abstract Objectives Considerable variation and little objective evidence exists to guide the use of supplemental oxygen therapy in infants with neonatal chronic lung disease (nCLD) after hospital discharge. We developed a new policy utilizing regular oximetry downloads to help determine commencement and titration of low flow oxygen. The aim of this policy is to improve safety and uniformity in practice and potentially lead to improvements in outcomes including the number of infants being discharged on home oxygen therapy (HOT) and length of stay (LOS). Methods This single-centre pre- and post-implementation study included 86 and 94 infants <32 weeks’ gestation (pre- vs. post-implementation) meeting definition of nCLD. The primary outcomes were (1) successful implementation of the new policy, (2) changes in number of patients discharged on HOT and (3) in LOS. Secondary outcomes were changes in feeding mode at discharge, total length of HOT, readmission to hospital within the first year of life and neurodevelopmental outcomes at 8 months post menstrual age amongst infants treated with HOT. Results The policy was successfully implemented with 100 % of infants with nCLD receiving downloads in the post-implementation epoch. Pre-implementation 36 % (31 of 85) of infants with nCLD were treated with HOT vs. 17 % (16 of 94) post-implementation (p=0.03). There was no significant difference in LOS or any of the secondary outcomes. Conclusions A protocolised approach to decision making using predetermined parameters regarding the need for supplemental oxygen in neonates with nCLD is practical and achievable and may result in fewer neonates requiring HOT.