Assessing the Performance of a Modified LACE Index (LACE-rt) to Predict Unplanned Readmission After Discharge in a Community Teaching Hospital
Notice bibliographique
Résumé
BACKGROUND: The LACE index was designed to predict early death or unplanned readmission after discharge from hospital to the community. However, implementing the LACE tool in real time in a teaching hospital required practical unavoidable modifications. OBJECTIVE: The purpose of this study was to validate the implementation of a modified LACE index (LACE-rt) and test its ability to predict readmission risk using data in a hospital setting. METHODS: Data from the Canadian Institute for Health Information's Discharge Abstract Database (DAD), the National Ambulatory Care Reporting System (NACRS), and the hospital electronic medical record for one large community hospital in Toronto, Canada, were used in this study. A total of 3855 admissions from September 2013 to July 2014 were analyzed (N=3855) using descriptive statistics, regression analysis, and receiver operating characteristic analysis. Prospectively collected data from DAD and NACRS were linked to inpatient data. RESULTS: The LACE-rt index was a fair test to predict readmission risk (C statistic=.632). A LACE-rt score of 10 is a good threshold to differentiate between patients with low and high readmission risk; the high-risk patients are 2.648 times more likely to be readmitted than those at low risk. The introduction of LACE-rt had no significant impact on readmission reduction. CONCLUSIONS: The LACE-rt is a fair tool for identifying those at risk of readmission. A collaborative cross-sectoral effort that includes those in charge of providing community-based care is needed to reduce readmission rates. An eHealth solution could play a major role in streamlining this collaboration.
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 | 0,011 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».