An Analysis of the New York University Emergency Department Algorithm’s Suitability for Use in Gauging Changes in ED Usage Patterns
Notice bibliographique
Résumé
BACKGROUND: The Emergency Department Algorithm (EDA) developed at New York University uses administrative discharge data to distill hundreds of International Classification of Diseases-9 codes for emergency department (ED) visits into 4 categories, making it attractive to researchers and policy makers. The EDA has been used to analyze patterns of ED visits in a wide variety of locations and populations. However, there are concerns regarding the validity and use of the EDA for research and policy. OBJECTIVE: To explain the findings of previous EDA users that it appears to lack sensitivity in detecting changes in ED utilization patterns. STUDY DESIGN: Mathematical simulation was used to analyze and explain the performance of the EDA in detecting differences in utilization patterns across hypothetical ED populations. Sensitivity analysis was used to illustrate the magnitude of changes in EDA outputs relative to changes in ED populations using a national sample of actual ED patients. RESULTS: The vast majority of possible EDA outputs are clustered so tightly as to show no significant change in outputs between different hypothetical populations. Sensitivity analysis shows that changes in EDA outputs are not nearly as great as the magnitude of the input differences across real-world populations. CONCLUSIONS: The EDA categorizes a very large variety of ED visits into a relatively small group of outputs. Its operating characteristics suggest that the EDA is insufficiently sensitive to changes in ED utilization patterns to be useful in assessing interventions to change them. This finding should caution potential users to consider the EDA's limitations before using it.
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 | 0,001 |
| 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 ».