Predictive Modeling of Emergency Hospital Transport Using Medical Alert Pattern Data: Retrospective Cohort Study
Notice bibliographique
Résumé
Background: In the transition from a fee-for-service to a fee-for-value system, health care organizations (HCOs) are under pressure to keep patients healthy through preventive services and population health management. Predictive analytics based on the past health behavior of the patient population can be used to predict future risk of decline. Objective: The objective of this study was to develop robust predictive models of impending emergency transports to the hospital based on enrollment and medical alert pattern data from subscribers of a Personal Emergency Response System (PERS) service. This enables targeting of clinical programs to members that need it the most. Methods: De-identified medical alert pattern data of 551,127 subscribers to a PERS service were used. Multivariate logistic regression was performed on subscriber demographics, self-reported medical conditions, variables related to the care giver network and variables derived from up to one year of retrospective medical alert data. A 10-fold cross-validation scheme was used to predict transport to the hospital by emergency medical services in the next 30 days. Furthermore, the model performance was evaluated after retraining using up to 90 days of medical alert data, and using enrollment data only. Results: Emergency hospital transport in the 30-day window was experienced by 2.4% of all subscribers. The area under the receiver operator characteristic curve (auROC) was 0.75 ± 0.01 in the validation cohorts. The model using up to 90 days of data resulted in auROC = 0.71 ± 0.01 and the model using enrollment data only resulted in auROC = 0.62 ± 0.01. Conclusions: Our model for emergency hospital transport in subscribers of a medical alert service showed good discriminatory accuracy on retrospective validation data. While the model yields good discriminatory accuracy with up to 90 days of data, best performance is achieved using up to one year of medical alert data. The model using enrollment data only, without medical alert pattern data, does not perform as well. We are planning a prospective validation of the algorithm to determine the value of the predictive model in assisting HCOs with planning early interventions to avoid emergency department visits and hospitalizations.
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 | 0,001 | 0,001 |
| 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 ».