Latent class analysis of the multivariate Delirium Index in long-term care settings
Notice bibliographique
Résumé
ABSTRACTBackground:A few studies examine the time evolution of delirium in long-term care (LTC) settings. In this work, we analyze the multivariate Delirium Index (DI) time evolution in LTC settings. METHODS: The multivariate DI was measured weekly for six months in seven LTC facilities, located in Montreal and Quebec City. Data were analyzed using a hidden Markov chain/latent class model (HMC/LC). RESULTS: The analysis sample included 276 LTC residents. Four ordered latent classes were identified: fairly healthy (low "disorientation" and "memory impairment," negligible other DI symptoms), moderately ill (low "inattention" and "disorientation," medium "memory impairment"), clearly sick (low "disorganized thinking" and "altered level of consciousness," medium "inattention," "disorientation," "memory impairment" and "hypoactivity"), and very sick (low "hypoactivity," medium "altered level of consciousness," high "inattention," "disorganized thinking," "disorientation" and "memory impairment"). Four course types were also identified: stable, improvement, worsening, and non-monotone. Class order was associated with increasing cognitive impairment, frequency of both prevalent/incident delirium and dementia, mortality rate, and decreasing performance in ADL. CONCLUSION: Four ordered latent classes and four course types were found in LTC residents. These results are similar to those reported previously in acute care (AC); however, the proportion of very sick residents at enrolment was larger in LTC residents than in AC patients. In clinical settings, these findings could help identify participants with a chronic clinical disorder. Our HMC/LC approach may help understand coexistent disorders, e.g. delirium and dementia.
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 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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».