Measuring Frailty in Medicare Data: Development and Validation of a Claims-Based Frailty Index
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Frailty is a key determinant of health status and outcomes of health care interventions in older adults that is not readily measured in Medicare data. This study aimed to develop and validate a claims-based frailty index (CFI). Methods: We used data from Medicare Current Beneficiary Survey 2006 (development sample: n = 5,593) and 2011 (validation sample: n = 4,424). A CFI was developed using the 2006 claims data to approximate a survey-based frailty index (SFI) calculated from the 2006 survey data as a reference standard. We compared CFI to combined comorbidity index (CCI) in the ability to predict death, disability, recurrent falls, and health care utilization in 2007. As validation, we calculated a CFI using the 2011 claims data to predict these outcomes in 2012. Results: The CFI was correlated with SFI (correlation coefficient: 0.60). In the development sample, CFI was similar to CCI in predicting mortality (C statistic: 0.77 vs. 0.78), but better than CCI for disability, mobility impairment, and recurrent falls (C statistic: 0.62-0.66 vs. 0.56-0.60). Although both indices similarly explained the variation in hospital days, CFI outperformed CCI in explaining the variation in skilled nursing facility days. Adding CFI to age, sex, and CCI improved prediction. In the validation sample, CFI and CCI performed similarly for mortality (C statistic: 0.71 vs. 0.72). Other results were comparable to those from the development sample. Conclusion: A novel frailty index can measure the risk for adverse health outcomes that is not otherwise quantified using demographic characteristics and traditional comorbidity measures in Medicare data.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle