Classification of patterns of delirium severity scores over time in an elderly population
Notice bibliographique
Résumé
OBJECTIVES: To describe and classify individual trajectories of 15-day changes in delirium severity. METHODS: A longitudinal hospital-based study was carried out with 230 medical inpatients aged 65 and over admitted to St Mary's Hospital in Montreal, Canada, between 1996 and 1999, diagnosed with delirium at enrollment, and who had at least four measurements of delirium severity during the next 15 days. Delirium severity was assessed using the Delirium Index (DI). To classify patients' individual trajectories, we applied a new method that relies on principal factor analysis and cluster analysis. We used multiple linear regression to investigate if clusters were associated with DI scores measured at an 8-week follow-up. Multivariable Cox's proportional hazards regression was used to assess whether the clusters were associated with survival over the next 12 months. RESULTS: Individual patterns were classified into five clusters: Steady (n = 89, 38.9%), Fluctuating (n = 36, 15.7%), Worsening (n = 15, 6.6%), Fast Improve-ment (n = 26, 11.3%), and Slow Improvement (n = 63, 27.5%). The Fast Improvement cluster had much lower prevalence of dementia (38.5% vs. 55.6% to 77.8% in other clusters, p = 0.003). Subjects whose 2-week patterns were classified as Fast or Slow Improvement had a significantly lower DI at 8 weeks than those in the Steady or Fluctuating clusters. The Worsening cluster had the largest percentage of deaths. The Fast Improvement and Worsening clusters initially had a high risk of death in the first 2 weeks (adjusted relative risks of approximately 3 and 6, respectively) but that risk decreased rapidly thereafter. CONCLUSION: Two-week trajectories of delirium severity were associated with short-term mortality and delirium severity at 8-week follow-up.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».