PREDICT - PREDICTING EMERGENCY DEPARTMENT INCIDENT DELIRIUM WITH AN INTERACTIVE COMPUTER TABLET
Notice bibliographique
Résumé
Background: Delirium is common and potentially lethal. Unfortunately, delirium recognition is poor- 75% of Emergency Department (ED) cases are missed. Objectives: We previously developed a “serious game” using participants’ game performance to evaluate delirium risk. Our goal is to validate this algorithm against the delirium severity index (DSI). Methods: This is multi-center prospective observational trial included an English and French version. We included patients ≥65 years of age and excluded those with critically illness, pain ≥6/10, or communication difficulties. Consenting participants played the serious game and then had DSI and Montreal Cognitive Assessment (MOCA) assessed by trained research assistants. We used logistic regression to assess the relationship between a game score based on > 800 data points and DSI ≥4, controlling for age and sex. Results: We enrolled 306 participants from 3 Canada provinces -92.3% of completed the game. Their average age was 75.9 and 48.7% were women. Their median MOCA score was 23. There were 24/306 patients with a DSI ≥4 out of a possible 21 points. Their mean game score was 0.70 (95% CI 0.63–0.78) vs. 0.61 (95% CI 0.60–0.63) for participants with a DSI<4.The odds of having a DSI≥4 increased 1.89 for each 0.1 increase in game score (95% CI for OR = 1.4–2.7, p=<0.001). Conclusions: The odds of having a DSI≥ 4 significantly increased with game scores. The vast majority of older ED patients could use our game. Given current poor clinical delirium recognition, our “serious game” may help improve delirium recognition.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».