Predictors of Admission in First-Episode Psychosis: Developing a Risk Adjustment Model for Service Comparisons
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to develop a risk adjustment model based on hospital admissions that would enable comparison between services for patients with a first episode of psychosis. METHODS: Candidate predictor variables for hospital admission were identified in a literature review, from which an expert panel selected 12 potential risk adjustment variables by using a structured process, the Template for Risk Adjustment Information Transfer. Multivariable logistic regression modeling with the 12 variables was used to develop models in one cohort of first-episode psychosis patients (N=297); these models were validated with data from a second cohort (N=309). The C statistic, a measure of model discrimination, was calculated to assess model performance. RESULTS: In the data from the development sample, prior hospitalization was the only significant predictor of hospital admissions within one year of enrollment in the first-episode psychosis program (odds ratio [OR]=1.88, p=.05). Hospital admissions after two and three years from admission to the program were significantly associated with higher levels of initial positive symptoms (OR=1.07, p=.02; OR=1.06, p=.02, respectively), and prior hospitalizations (OR=2.72, p=.001; OR=3.34, p<.001, respectively). The logistic models performed well, with C statistics ranging from .72 to .74 for the three outcomes, where a value of 1.0 implies perfect model discrimination. In the validation data the C statistics were slightly lower, ranging from .67 to .72. CONCLUSIONS: According to the C statistic estimates, the model developed provided good discrimination and was relatively robust in predicting hospitalization of first-episode psychosis patients.
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 | 0,015 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».