Improving the Accuracy of Length of stay Risk Adjustment Models using Linked Data
Notice bibliographique
Résumé
ABSTRACT BackgroundHospital length of stay (LOS) is a widely used measure for assessing cross-jurisdiction health system performance and informs resource allocation decisions. However, the accuracy of existing LOS risk adjustment models are limited, because they are mostly derived from administrative data, which mostly contain clinical/diagnostic information but lack detailed information on relevant demographic, socio-economic (SES), and self-reported health-related quality of life (HRQOL) risk factors, which have been shown to improve the accuracy of LOS risk adjustment models. The study investigates the relative contribution of demographic, socio-economic, and health status risk factors derived through data linkage in improving the accuracy of LOS risk adjustment models. MethodsPopulation-based data on 8000 individuals hospitalized for coronary heart disease were obtained from Alberta Provincial Project on Outcomes Assessment in Coronary Heart Disease (APPROACH) registry and linked to Alberta Discharge Abstract Database (DAD). SES was measured using multi-domain measure of SES derived from area-level census information, while the health-related quality of life outcome was measured using the Seattle Angina Questionnaire. LOS risk adjustment model based on hierarchical logistic regression models was developed to assess relative impact of each SES measure and HRQOL measure improving the predictive accuracy of LOS adjustment models. The relative impact of each predictor was assessed by its adjusted odds ratio (OR) and improvement over the predictive accuracy of a reference model that included patients’ clinical risk factors only. ResultMore than 80% of the hospitalized individuals had prolonged LOS more than 10 days. The HRQOL and single-domain measures of SES had significant impact in accurately predicting LOS. But the inclusion of the multi-domain measure SES did not significantly improve the accuracy of LOS risk adjustment models ConclusionUsing large population-based Canadian data, our study suggests that the inclusion of patients’ SES and health status information through data linkage can improve the accuracy of LOS risk adjustment models. The development of more accurate risk adjustment models can aid the identification of individuals at risk of prolonged LOS and comparison of health system performance across several cross-jurisdictions.
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 | 0,051 | 0,148 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».