A multidisciplinary assessment instrument to predict fall risk in hospitalized patients: A prospective matched pair case study
Notice bibliographique
Résumé
Objective: To identify fall risk for hospitalized patients utilizing a multidisciplinary assessment tool based on patients’ physical, mental, pharmacological, and metabolic data. Methods: A prospective case-control design comparing 48 patients who fell (incidence group) and 48 patients who did not experience fall (control group), based on patients’ age, gender, and hospital unit location. The study was conducted over an 8-month period at a large academic hospital. Setting: The Methodist Hospital, tertiary care academic referral center with 824 operating beds in Houston, TX. Participants: One hundred and twenty patients, sixty patients who fell, and sixty control subjects. Main Outcome Measures: The sensitivity and specificity of variables identified in logistic regression are able to distinguish patients who fell from patients who did not fall. Results: Logistic regression results identified six variables (2 summary variables and 4 individual variables) that correctly classified patients with 90% sensitivity (patients who fell) and 90% specificity (patients who did not fall). The first variable was an 11-item summary variable that included history, weakness or balance problem, altered mental status or confusion, visual impairment, dizziness or vertigo, urinary tract infection or abnormal urinary analysis (UA), diuretics/IV drips, continence, acute renal failure (ARF), antihypertensives and narcotics. The second variable represented the combination of 3 medication classes: neuroleptic, anticonvulsant and antidepressant. The third variable that had a negative impact on fall risk was the presence of a therapeutic anticoagulant. The other 3 significant variables were hypoglycemia, vital sign abnormality, and low hemoglobin. Conclusions: A multidisciplinary fall-risk assessment tool that screens combinations of physiological, pharmacological and metabolic patient factors improves the probability of correctly distinguishing patients who were more likely to fall from those patients who were less likely to fall.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».