Development of Pediatric Comorbidity Prediction Model
Notice bibliographique
Résumé
OBJECTIVE: To develop a comorbidity model for children that can be used with hospital discharge administrative databases. DESIGN: Retrospective study using administrative data obtained from the Canadian Institute for Health Information Discharge Abstract Database and the Deaths File to develop a logistic regression model. Hosmer-Lemeshow chi2 test was used to examine model fit. The C statistic was used to assess model discrimination. Bootstrapping was used to determine the stability of regression coefficients. SETTING: We used linked administrative databases to compile 339,077 hospital discharge abstracts from April 1, 1991, through March 31, 2002. PARTICIPANTS: Children between ages 1 and 14 years in Ontario, Canada. MAIN OUTCOME MEASURE: Death within 1 year of hospital discharge. RESULTS: The 27-variable pediatric comorbidity model predicted 1-year mortality with a C statistic of 0.83 in the Ontario data set from which it was derived. The presence of brain cancer (odds ratio, 76.38 [95% confidence interval, 53.40-109.27]) at hospital admission was the strongest predictor, followed by diabetes insipidus (odds ratio, 39.23 [95% confidence interval, 20.75-74.17]). CONCLUSION: Using clinical judgment and empirical modeling strategies, we were able to identify 27 diagnoses highly predictive of death for children between 1 and 14 years of age within 1 year of hospital discharge.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».