Canadian benchmarks for acute injury care
Notice bibliographique
Résumé
Background: Acute care injury outcomes vary substantially across Canadian provinces and trauma centres. Our aim was to develop Canadian benchmarks to monitor mortality and hospital length of stay (LOS) for injury admissions. Methods: Benchmarks were derived using data from the Canadian National Trauma Registry on patients with major trauma admitted to any level I or II trauma centre in Canada and from the following patient subgroups: isolated traumatic brain injury (TBI), isolated thoracoabdominal injury, multisystem blunt injury, age 65 years or older. We assessed predictive validity using measures of discrimination and calibration, and performed sensitivity analyses to assess the impact of replacing analytically complex methods (multiple imputation, shrinkage estimates and flexible modelling) with simple models that can be implemented locally. Results: The mortality risk adjustment model had excellent discrimination and calibration (area under the receiver operating characteristic curve 0.886, Hosmer–Lemeshow 36). The LOS risk-adjustment model predicted 29% of the variation in LOS. Overall, observed:expected ratios of mortality and mean LOS generated by an analytically simple model correlated strongly with those generated by analytically complex models (r > 0.95, κ on outliers > 0.90). Conclusion: We propose Canadian benchmarks that can be used to monitor quality of care in Canadian trauma centres using Excel (see the appendices, available at canjsurg.ca). The program can be implemented using local trauma registries, providing that at least 100 patients are available for analysis.
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 | 0,015 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,004 |
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 ».