Multiple Correspondence Analysis is a Useful Tool to Visualize Complex Categorical Correlated Data
Notice bibliographique
Résumé
ABSTRACT ObjectivesWe sought to identify the most expensive hospitalized individuals in the Canadian province of Saskatchewan in fiscal year 2012/13, and determine the primary cause of their high use of health services. Our aim was to identify health problems that can be prevented or better managed in a non-hospital health care setting. Comorbid conditions are an important and confounding covariate in this population and so we used multiple correspondence analysis (MCA) to investigate the association of these conditions with each other and the most responsible diagnosis for each hospitalization. MCA is a multivariable descriptive statistical technique that displays the relationship between categorical variables in 2-dimensional graphical form. ApproachWe identified the most expensive 5% of people hospitalized between 01APR2012 and 31MAR2013. Hospital costs accounted for the majority of costs, but physician, drug, long-term care, and home care costs were added. Comorbid conditions in any of the 25 hospital diagnostic fields were identified and grouped into categories based upon ICD-10-CA subcategories. For example, category 1 was ICD-10-CA codes F10-F19: Mental and behavioural disorders due to psychoactive drug use, while category 2 was ICD-10-CA codes F20-F29: Schizophrenia, schizotypal, and delusional disorders. SAS™ v9.3 was used to conduct MCA and generate graphs displaying the correlation between each comorbid condition category, where the distance of each dot from the other represents the strength of the association between the disease categories (i.e., diseases that are correlated cluster together.) The frequency of each category of comorbid condition was represented by the size of the dots on the graph (e.g., the more people with the disease, the larger the dot.) Categories of comorbid conditions were redefined based upon data findings and clinical expertise. ResultsThree patient groups emerged as being amenable to intervention and thus cost savings, specifically (1) individuals of advanced age who are no longer able to live at home and are hospitalized while waiting for a bed in a long-term care facility, (2) individuals with a mental health and/or addiction problem, and (3) individuals who experienced medical harm during their time in hospital. ConclusionMCA is a valuable graphical tool that is easy to learn and, in conjunction with other statistical techniques, can be used to elucidate the relationship between complex correlated categorical variables.
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 | 0,024 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,012 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,081 | 0,009 |
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 ».