Use of the ‘STRATIFY’ falls risk assessment in patients recovering from acute stroke
Notice bibliographique
Résumé
OBJECTIVES: To investigate the predictive validity and reliability of the STRATIFY falls risk assessment tool as applied to patients recovering from acute stroke. DESIGN: Prospective cohort study. SETTING: Six stroke rehabilitation units in the North of England. SUBJECTS: All patients with a diagnosis of acute stroke admitted to the participating stroke units during a 6-month study period. ASSESSMENT: on admission, falls risk (STRATIFY), disability (Barthel index), mobility (Rivermead mobility index), cognitive impairment (abbreviated mental test score) and visual neglect (Albert's test) were assessed. Then, STRATIFY was completed weekly and within 48 h of anticipated discharge. Consenting patients were contacted at 3 months after discharge to determine falls. OUTCOME MEASURES: Occurrence of a fall within 28 days of the baseline STRATIFY (in-patient study), falls in the first 3 months after discharge (post-discharge study) and falls during stroke unit stay (reliability study). RESULTS: From 387 patients admitted to the participating units during the study period, 225 contributed to the 28 day in-patient study, and 234 were followed up at 3 months after discharge. STRATIFY performed poorly in predicting falls in the first 28 days (sensitivity 11.3% and specificity 89.5%) and after discharge (sensitivity 16.3% and specificity 86.4%). Agreement was 'fair' between baseline and discharge scores (kappa = 0.263) and 'good' between the pre-hospital discharge score and that obtained in the week preceding discharge (kappa = 0.639). CONCLUSION: STRATIFY performed poorly as a predictor of falls in a heterogeneous population of stroke patients. There is a need for a disease-specific rather than a generic falls risk assessment tool.
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 ».