Applicability of a previously validated readmission predictive index in medical patients in Singapore: a retrospective study
Notice bibliographique
Résumé
BACKGROUND: Hospital readmissions are serious and costly events, and readmission rates are considered to be an indicator of quality in health care management. Several models to identify patients at risk of unplanned readmissions have been developed in Western countries, but little is known about their performance in other countries. This paper reports the possible utility of one such model developed in Canada, the LACE index, in patients in a tertiary hospital in Singapore. METHODS: We used administrative data from Singapore General Hospital for patients admitted between 1st January 2006 and 31st December 2010. Data such as demographic and clinical data including disease codes were extracted. The patient cohort was divided into two groups with a LACE index of 10 as the cutoff. Multivariate logistic regression analysis models were used to compare the outcomes between the two groups of patients with adjustment for age, sex, ethnicity, year of discharge, intensive care unit admission, and admission ward class. RESULTS: Overall, 127 550 patients were eligible for analysis. Patients with a LACE index ≥ 10 had a higher risk of 30-day unplanned readmission after index discharge (odds ratio [OR]: 4.37; 95% confidence interval [CI]: 4.18-4.57). After adjustment, the risk remained significant (OR: 4.88; 95% CI: CI 4.57-5.22). The C-statistic for the adjusted model was 0.70 (P < 0.001). Similar results were shown for 90-day unplanned readmission and emergency visits after the same adjustment. CONCLUSION: The use of the LACE index may have significant application in identifying medical patients at high risk of readmission and visits to the Emergency Department in Singapore.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».