Falls Risk Prediction for Older Inpatients in Acute Care Medical Wards: Is There an Interest to Combine an Early Nurse Assessment and the Artificial Neural Network Analysis?
Notice bibliographique
Résumé
BACKGROUND: Identification of the risk of falls is important among older inpatients. This study aims to examine performance criteria (i.e.; sensitivity, specificity, positive predictive value, negative predictive value and accuracy) for fall prediction resulting from a nurse assessment and an artificial neural networks (ANNs) analysis in older inpatients hospitalized in acute care medical wards. METHODS: A total of 848 older inpatients (mean age, 83.0±7.2 years; 41.8% female) admitted to acute care medical wards in Angers University hospital (France) were included in this study using an observational prospective cohort design. Within 24 hours after admission of older inpatients, nurses performed a bedside clinical assessment. Participants were separated into non-fallers and fallers (i.e.; ≥1 fall during hospitalization stay). The analysis was conducted using three feed forward ANNs (multilayer perceptron [MLP], averaged neural network, and neuroevolution of augmenting topologies [NEAT]). RESULTS: Seventy-three (8.6%) participants fell at least once during their hospital stay. ANNs showed a high specificity, regardless of which ANN was used, and the highest value reported was with MLP (99.8%). In contrast, sensitivity was lower, with values ranging between 98.4 to 14.8%. MLP had the highest accuracy (99.7). CONCLUSIONS: Performance criteria for fall prediction resulting from a bedside nursing assessment and an ANNs analysis was associated with a high specificity but a low sensitivity, suggesting that this combined approach should be used more as a diagnostic test than a screening test when considering older inpatients in acute care medical ward.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».