Predicting the Risk of 1-Year Mortality in Incident Dialysis Patients
Notice bibliographique
Résumé
BACKGROUND: Administrative databases are increasingly being used to study the incident dialysis population and have important advantages. However, traditional methods of risk adjustment have limitations in this patient population. OBJECTIVE: Our objective was to develop a prognostic index for 1-year mortality in incident dialysis patients using administrative data that was applicable to ambulatory patients, used objective definitions of candidate predictor variables, and was easily replicated in other environments. RESEARCH DESIGN: Anonymized, administrative health data housed at the Institute for Clinical Evaluative Sciences in Toronto, Canada were used to identify a population-based sample of 16,205 patients who initiated dialysis between July 1, 1998 and March 31, 2005. The cohort was divided into derivation, validation, and testing samples and 4 different strategies were used to derive candidate logistic regression models for 1-year mortality. The final risk prediction model was selected based on discriminatory ability (as measured by the c-statistic) and a risk prediction score was derived using methods adopted from the Framingham Heart Study. Calibration of the predictive model was assessed graphically. RESULTS: The risk of death during the first year of dialysis therapy was 16.4% in the derivation sample. The final model had a c-statistic of 0.765, 0.763, and 0.756 in the derivation, validation, and testing samples, respectively. Plots of actual versus predicted risk of death at 1-year showed good calibration. CONCLUSION: The prognostic index and summary risk score accurately predict 1-year mortality in incident dialysis patients and can be used for the purposes of risk adjustment.
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 | 0,001 |
| 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) | 0,001 | 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 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 ».