MétaCan
Menu
Retour à la cohorte
Enregistrement W2763186472 · doi:10.1161/circoutcomes.117.003748

Is Risk-Standardized In-Hospital Stroke Mortality an Adequate Proxy for Risk-Standardized 30-Day Stroke Mortality Data?

2017· article· en· W2763186472 sur OpenAlexaff
Mathew J. Reeves, Gregg C. Fonarow, Haolin Xu, Roland Matsouaka, Ying Xian, Jeffrey L. Saver, Lee H. Schwamm, Eric E. Smith

Notice bibliographique

RevueCirculation Cardiovascular Quality and Outcomes · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Ischemic Stroke Management
Établissements canadiensOntario Brain InstituteUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMedicineStroke (engine)Emergency medicineProxy (statistics)Mortality rateIschemic strokeInternal medicineStatistics

Résumé

récupéré en direct d'OpenAlex

Background— Hospital profiling is typically undertaken using risk-standardized 30-day mortality, but obtaining these data for hospitals can be difficult. We sought to determine whether risk-standardized in-hospital mortality could serve as an adequate proxy for risk-standardized 30-day mortality data for the purposes of identifying outlier hospitals. Methods and Results— Acute ischemic stroke cases entered into GWTG (Get With The Guidelines)–Stroke between 2003 and 2013 were linked to fee-for-service Medicare files to obtain 30-day mortality. Risk-standardized mortality rates (RSMR) for in-hospital and 30-day mortality were generated using previously developed risk score models, and the proportion of hospitals classified as statistical outliers compared. We also assessed the impact of using the combined outcome of in-hospital mortality or discharge to hospice. A total of 535 332 ischemic stroke patients from 1494 GWTG–Stroke hospitals were included; mean age was 80 years, 59% female, and 19% nonwhite. At the hospital level, mean in-hospital RSMRs and 30-day RSMRs were 6.0% and 14.6%, respectively, but the correlation between the 2 was modest ( r =0.53). Overall agreement in the designation of outlier hospitals between in-hospital and 30-day RSMRs was 78%, but chance-corrected agreement was only fair (κ=0.29). However, when using the combined outcome of in-hospital mortality or discharge to hospice (risk-standardized mean =11.8%), the correlation with 30-day RSMR was much stronger ( r = 0.83) and outlier agreement improved substantially (κ=0.60). Conclusions— When used to identify outlier hospitals with high or low mortality, the agreement between risk-standardized in-hospital mortality and 30-day mortality was modest. However, the combined outcome of in-hospital mortality or discharge to hospice showed much better agreement with 30-day mortality. This composite outcome could serve as a proxy for 30-day mortality when used to identify low- or high-performing hospitals.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,084
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0130,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,089
Tête enseignante GPT0,383
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCirculation Cardiovascular Quality and OutcomesMême sujetAcute Ischemic Stroke ManagementTravaux en français237 207