Outcome and Resource Use of Patients with Liver Disease: Analysis of Chinese Electronic Medical Records
Notice bibliographique
Résumé
Researches aiming to improve health care quality, such as the outcome studies of liver diseases, require large databases and rich case mix information to incorporate severity assessment and risk adjustment in order to generate robust results. Researchers worldwide have recognized the potential value of electronic medical record (EMR) and tremendous efforts are underway to advance outcome research using EMR. Chinese EMR provides us a unique chance for analysis of the outcome and resource use of liver disease given the high prevalence of liver disease and widely-used EMR in China. The aim of this thesis was to analyze the outcome and resource use of patients with liver disease through appropriate risk adjustment using information extracted from Chinese EMR. Three studies were conducted to achieve the aim of this thesis. The first study was to develop and validate an EMR data extraction method to define clinical conditions, including liver diseases, comorbidities, and treatments. The research from this initial study demonstrated that the data extraction method had high validity and had the potential to be applied to other Chinese EMRs following our framework. The second study aimed to compare statistical performance of the commonly used risk adjustment methods for liver diseases. The study concluded that liver-specific severity scoring methods outperformed the comorbidity methods in predicting in-hospital mortality using a large Chinese EMR database. Combining severity and comorbidity scoring assessments could improve the risk adjustment performance. The third study examined the impact of financial factors on outcome and healthcare resource use. We tested the effect of patient’s cost sharing (reimbursement ratio) on in-hospital mortality, hospital length of stay, total and medication costs in hospital, and use of major procedures after controlling for potential confounding variables. An association was found between the cost-sharing model and healthcare resource use and cost. This research has proposed a validated data extraction method for Chinese EMR, provided evidence for appropriate implementation of common risk adjustment methods in analysis of outcome for liver disease, and offered us insight into the impact of financial incentives on health utilization, cost, and outcome.
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».