Addition of time‐dependent covariates to a survival model significantly improved predictions for daily risk of hospital death
Notice bibliographique
Résumé
RATIONAL, AIMS AND OBJECTIVES: The study aims to determine the extent to which the addition of post-admission information via time-dependent covariates improved the ability of a survival model to predict the daily risk of hospital death. METHOD: Using administrative and laboratory data from adult inpatient hospitalizations at our institution between 1 April 2004 and 31 March 2009, we fit both a time-dependent and a time-fixed Cox model for hospital mortality on a randomly chosen 66% of hospitalizations. We compared the predictive performance of these models on the remaining hospitalizations. RESULTS: All comparative measures clearly indicated that the addition of time-dependent covariates improved model discrimination and prominently improved model calibration. The time-dependent model had a significantly higher concordance probability (0.879 versus 0.811) and predicted significantly closer to the number of observed deaths within all risk deciles. Over the first 32 admission days, the integrated discrimination improvement (IDI) and net reclassification improvement (NRI) were consistently above zero (average IDI of +0.0200 and average NRI of 62.7% over the first 32 days). CONCLUSIONS: The addition of time-dependent covariates significantly improved the ability of a survival model to predict a patient's daily risk of hospital death. Researchers should consider adding time-dependent covariates when seeking to improve the performance of survival models.
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 | 0,014 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».