Risk Prediction Models to Predict Emergency Hospital Admission in Community-dwelling Adults
Notice bibliographique
Résumé
BACKGROUND: Risk prediction models have been developed to identify those at increased risk for emergency admissions, which could facilitate targeted interventions in primary care to prevent these events. OBJECTIVE: Systematic review of validated risk prediction models for predicting emergency hospital admissions in community-dwelling adults. METHODS: A systematic literature review and narrative analysis was conducted. Inclusion criteria were as follows; POPULATION: community-dwelling adults (aged 18 years and above); Risk: risk prediction models, not contingent on an index hospital admission, with a derivation and ≥1 validation cohort; PRIMARY OUTCOME: emergency hospital admission (defined as unplanned overnight stay in hospital); STUDY DESIGN: retrospective or prospective cohort studies. RESULTS: Of 18,983 records reviewed, 27 unique risk prediction models met the inclusion criteria. Eleven were developed in the United States, 11 in the United Kingdom, 3 in Italy, 1 in Spain, and 1 in Canada. Nine models were derived using self-report data, and the remainder (n=18) used routine administrative or clinical record data. Total study sample sizes ranged from 96 to 4.7 million participants. Predictor variables most frequently included in models were: (1) named medical diagnoses (n=23); (2) age (n=23); (3) prior emergency admission (n=22); and (4) sex (n=18). Eleven models included nonmedical factors, such as functional status and social supports. Regarding predictive accuracy, models developed using administrative or clinical record data tended to perform better than those developed using self-report data (c statistics 0.63-0.83 vs. 0.61-0.74, respectively). Six models reported c statistics of >0.8, indicating good performance. All 6 included variables for prior health care utilization, multimorbidity or polypharmacy, and named medical diagnoses or prescribed medications. Three predicted admissions regarded as being ambulatory care sensitive. CONCLUSIONS: This study suggests that risk models developed using administrative or clinical record data tend to perform better. In applying a risk prediction model to a new population, careful consideration needs to be given to the purpose of its use and local factors.
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 | 0,019 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,008 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 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 ».