Optimal look back period and summary method for Elixhauser comorbidity measures in a US population-based electronic health record database
Notice bibliographique
Résumé
Background: Comorbidity risk-adjustment tools are widely used in health database research to control for clinical differences between individuals, but they need to be validated a priori. This study aimed to identify the optimal parameters for predicting all-cause inhospital mortality using Quan’s enhanced Elixhauser comorbidity measures (ECMs) in the US-based Cerner Health Facts ® (HF) electronic health record database. Methods: Health care recipients aged 18–89 years between 2002 and 2011 were included. Prevalent comorbidities recorded, 1) during the index encounter; 2) in the prior year; and 3) in the prior 2 years were identified using the ECMs. Multiple logistic regression models, with inhospital mortality at index and at 1 year as the predicted outcomes, were fitted with comorbidities summarized as binary indicators, total counts, or weighted scores for the three look back periods. Baseline variables included sex and age. The receiver operating characteristic (ROC) curves of the competing models were compared with a non-parametric Mann–Whitney U test to identify the optimal parameters. Results: A sample of 3,273,298 unique health care recipients were included, of whom 31,298 (1.0%) and 50,215 (1.5%) died during the index encounter and within the 1-year follow-up, respectively. Models of comorbidity based on binary and weighted indicators had near-identical performance and were statistically better than the models based on total counts ( p < 0.0001). Discrimination of inhospital mortality was highest with a look back period limited to the index encounter, while inhospital mortality at 1 year was best predicted with 1 year of look back ( p < 0.0001). Conclusion: In Cerner HF, the binary and weighted methods for summarizing the Quan ECM were the best predictors of all-cause inhospital mortality at index and at 1 year. Observed differences in predictive performance between models with diagnostic ascertainment periods of up to 2 years of look back were statistically significant but not practically important. Keywords: comorbidity, ICD-9, electronic health records, risk adjustment, mortality, statistical modeling
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».