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 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) | 0,000 | 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 ».