Validation of the STRATIFY Falls Risk Assessment Tool in a Japanese Acute Care Hospital Setting
Notice bibliographique
Résumé
Patient falls are the most frequent adverse events that occur in a hospital. Prevention of inpatient falls is performed by a strategy to target patients at high risk for falls determined by a falls risk assessment system such as the STRATIFY tool. However, the performance of the STRATIFY tool in a Japanese hospital setting has not been determined. We tried to verify the performance of the STRATIFY tool for predicting falls in acutely hospitalized patients in Japan by a multi-center study. A total of 113,413 patients admitted to four acute cares national university hospitals during the period from April 2010 to March 2012 were studied. Inpatient falls per 1,000 patient-days varied from 1.42 to 2.92 in the four hospitals. The STRATIFY score was calculated on the basis of data extracted electronically from the hospital information system. Although the distribution of STRATIFY scores differed significantly among the four hospitals, logistic regression analysis and survival analysis showed that the proportion of high-risk patients who fell was significantly larger than the proportion of low-risk patients in all of the four hospitals. The odds ratio and hazard ratio for high-risk patients versus low-risk patients were 2.5 to 4.3 (combined estimate, 3.9 (95% confidence interval (95% CI), 2.1 to 7.6) and 1.8 to 5.1 (combined estimate, 3.1 (95% CI, 2.1 to 4.6)), respectively. The results suggest that the STRATIFY tool can be used as a screening tool to detect patients at high risk for falls in a Japanese acute care setting as used commonly in other countries.
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 | 0,016 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».