Abstract 122: Impact of Using Clinical Data to Profile Hospitals for 30-day Stroke Mortality: Data from the Ontario Stroke Audit
Notice bibliographique
Résumé
Background: Risk-adjustment models that use administrative data may not fully account for case-mix differences between hospitals. Supplementing these models with clinical data may improve their accuracy. We examined the impact of using data from a clinical registry in addition to administrative data on profiling Ontario hospitals for 30-day stroke mortality. Methods: Ontario Stroke Audit (OSA) data on 7006 acute stroke cases admitted to 54 Ontario hospitals between 2010-11 were obtained. We calculated 30-day risk-standardized mortality (RSMR) from an established risk adjustment model that relied on only hospital discharge data. This model (termed ADMIN) included age, sex, past medical history (including atrial fibrillation, stroke, diabetes, hypertension, heart disease), ambulance arrival, and stroke-type. We then modified this model to create a CLINICAL model by adding statistically significant clinical variables from the OSA data. In addition to the ADMIN model variables, the CLINICAL model included dysphagia, cognitive status, pre-stroke function, and stroke severity. We compared model performance (c-statistics, calibration [Hosmer-Lemeshow chi-square statistic (HLCS], Integrated Discrimination Improvement [IDI]), and hospital rankings (based on RSMR) using Spearman rank correlation. Results: Model performance was noticeably better for the CLINICAL model compared to the ADMIN model; discrimination was higher (c-statistic 0.82 vs. 0.70), calibration better (HLCS p= 0.08 vs <0.01) and predictive accuracy greater (IDI= 0.13, p <0.001). Comparison of RSMRs between the two models showed only moderate correlation (r = 0.653) with substantial variation for some hospitals (Figure). Conclusions: The addition of variables from clinical data to an established administrative data model had a marked effect on hospital rankings. These results suggest that clinical variables could have a meaningful impact on the accuracy of hospital report cards.
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 | 0,013 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».