The Value of Admission Clinical Data for Diagnosing Heart Failure in Long-term Care
Notice bibliographique
Résumé
BACKGROUND: Heart failure (HF) is common in long-term care (LTC). Diagnostic uncertainty is important barrier to optimal HF management, stemming from inadequate health information transfer upon LTC admission. We determine the utility of admission clinical information to confirm a HF diagnosis in new LTC residents. METHODS: This was a prospective cohort study. From February 2004 to November 2006, information about new residents from 41 LTC homes in Ontario, Canada, was collected from residents and caregivers, and all available health records. A prior HF diagnosis was confirmed by consensus review of available data by two independent experts. Multivariate modelling was utilized to determine the utility of the admission clinical assessment in confirming a prior HF diagnosis. RESULTS: A total of 449 residents were included for analysis, aged 84.3±6.5 years, and 21.6% had a prior HF diagnosis. The most useful clinical item for diagnosing HF was a "history of HF". The final model included "history of HF' (OR [odds ratio] 13.66, 95% CI 6.61-28.24), "fluid on the lungs" (OR 2.01, 95% CI 1.04-3.89), "orthopnea" (OR 1.76, 95% CI 0.93-3.33), "taking β-blocker" (OR 2.09, 95% CI 1.10-3.94), "taking loop diuretics" (OR 2.11, 95% CI 1.12-3.98), and "history of coronary artery disease" (OR 2.83, 95% CI 1.42-5.64). CONCLUSION: Elements of the clinical assessment for new LTC residents can help confirm a prior HF diagnosis. An admission history of HF is highly predictive.
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 | 0,001 | 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) | 0,000 | 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 ».