Comparison of risk adjustment methods in patients with liver disease using electronic medical record data
Notice bibliographique
Résumé
BACKGROUND: Risk adjustment is essential for valid comparison of patients' health outcomes or performances of health care providers. Several risk adjustment methods for liver diseases are commonly used but the optimal approach is unknown. This study aimed to compare the common risk adjustment methods for predicting in-hospital mortality in cirrhosis patients using electronic medical record (EMR) data. METHODS: The sample was derived from Beijing YouAn hospital between 2010 and 2014. Previously validated EMR extraction methods were applied to define liver disease conditions, Charlson comorbidity index (CCI), Elixhauser comorbidity index (ECI), Child-Turcotte-Pugh (CTP), model for end-stage liver disease (MELD), MELD sodium (MELDNa), and five-variable MELD (5vMELD). The performance of the common risk adjustment models as well as models combining disease severity and comorbidity indexes for predicting in-hospital mortality was compared using c-statistic. RESULTS: Of 11,121 cirrhotic patients, 69.9% were males and 15.8% age 65 or older. The c-statistics across compared models ranged from 0.785 to 0.887. All models significantly outperformed the baseline model with age, sex, and admission status (c-statistic: 0.628). The c-statistics for the CCI, ECI, MELDNa, and CTP were 0.808, 0.825, 0.849, and 0.851, respectively. The c-statistic was 0.887 for combination of CTP and ECI, and 0.882 for combination of MELDNa score and ECI. CONCLUSIONS: The liver disease severity indexes (i.e., CTP and MELDNa score) outperformed the CCI and ECI for predicting in-hospital mortality among cirrhosis patients using Chinese EMRs. Combining liver disease severity and comorbidities indexes could improve the discrimination power of predicting in-hospital mortality.
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 | 0,000 | 0,000 |
| 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 ».