Abstract 17064: Frailty Predicts Mortality and Hospital Readmission Amongst Elderly Heart Failure (HF) Patients Discharged From Hospital or the Emergency Department (ED)
Notice bibliographique
Résumé
Introduction: Frailty is commonly encountered in elderly patients with HF. However, the impact of both frailty and HF on outcomes in the population has not been delineated. There is a need for operationalizable definitions of frailty to explore variations in care among the elderly. Objective: To assess common indicators of frailty as predictors of mortality and rehospitalisation within 1 year in a population-based study of very elderly HF patients. Methods: Community-dwelling HF patients aged >75 yrs discharged from hospital or ED in Ontario, Canada, were studied using the Enhanced Feedback for Effective Cardiac Treatment and Emergency HF Mortality Risk Grade databases. Surrogates of frailty, including dementia, falls, incontinence, immobility, caregiver dependence, and abnormal weight loss, were identified from chart abstraction and linked hospitalization records. Survival analyses were performed using multiple Cox regression, for frail vs non-frail status and for each frailty component. Results: 9964 patients were identified (age 84±5 yrs). After adjustment for age, sex, vital signs, laboratory variables, and comorbidities, presence of any frailty indicator was associated with mortality: adjusted hazard ratio [HR] 1.18 (95%CI; 1.06-1.32, p=0.003). Frailty increased the risk of readmission and the association was more pronounced than for mortality (see Figure ): adjusted HR 1.29 (95%CI; 1.18-1.41, p<.001). Among the individual frailty components, significant predictors of mortality were: dementia (HR 1.49, 95%CI; 1.34-1.64, p<.001) and care provider dependency (HR 1.17, 95%CI; 1.01-1.36, p=0.038). In contrast, other frailty components increased the risk of readmission, specifically: falls (HR 1.17, 95%CI; 1.06-1.29, p=0.003) and incontinence (HR 1.64, 95%CI; 1.18-2.29, p=0.004). Conclusion: Frailty indicators derived from clinical and administrative data sources are associated with death and readmission in a very elderly HF cohort.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».