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 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 | 0,000 |
| 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 ».