Using age, triage score, and disposition data from emergency department electronic records to improve Influenza-like illness surveillance
Notice bibliographique
Résumé
OBJECTIVE: Markers of illness severity are increasingly captured in emergency department (ED) electronic systems, but their value for surveillance is not known. We assessed the value of age, triage score, and disposition data from ED electronic records for predicting influenza-related hospitalizations. MATERIALS AND METHODS: From June 2006 to January 2011, weekly counts of pneumonia and influenza (P&I) hospitalizations from five Montreal hospitals were modeled using negative binomial regression. Over lead times of 0-5 weeks, we assessed the predictive ability of weekly counts of 1) total ED visits, 2) ED visits with influenza-like illness (ILI), and 3) ED visits with ILI stratified by age, triage score, or disposition. Models were adjusted for secular trends, seasonality, and autocorrelation. Model fit was assessed using Akaike information criterion, and predictive accuracy using the mean absolute scaled error (MASE). RESULTS: Predictive accuracy for P&I hospitalizations during non-pandemic years was improved when models included visits from patients ≥65 years old and visits resulting in admission/transfer/death (MASE of 0.64, 95% confidence interval (95% CI) 0.54-0.80) compared to overall ILI visits (0.89, 95% CI 0.69-1.10). During the H1N1 pandemic year, including visits from patients <18 years old, visits with high priority triage scores, or visits resulting in admission/transfer/death resulted in the best model fit. DISCUSSION: Age and disposition data improved model fit and moderately reduced the prediction error for P&I hospitalizations; triage score improved model fit only during the pandemic year. CONCLUSION: Incorporation of age and severity measures available in ED records can improve ILI surveillance algorithms.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».