Derivation and Validation of a Generalizable Preoperative Frailty Index Using Population-based Health Administrative Data
Notice bibliographique
Résumé
OBJECTIVE: To develop and validate a preoperative frailty index (pFI) for use in population-based health administrative (HA) data. SUMMARY BACKGROUND DATA: Frailty is a robust predictor of adverse postoperative outcomes. Population-level frailty measures used in surgical studies have significant methodological limitations. Frailty indices (FIs) are a well-defined approach to measuring frailty with well-described methods for development and evaluation. An appropriate preoperative FI in HA data has not been derived or evaluated. METHODS: Retrospective cohort study using linked HA data in Canada. We identified people >65 years (2002-2015) who had major elective or emergency surgery. Standardized methods were used to construct a 30-variable pFI. Unadjusted and multilevel, multivariable adjusted models were used to measure the association of the pFI with 1-year mortality and institutional discharge. Elective patients were the derivation cohort, emergency patients were the validation cohort. Prespecified sensitivity analyses were performed. RESULTS: We identified 415,704 elective, and 95,581 emergency patients. The elective 1-year mortality rate was 4.7%. Thirty percent of population-level deaths occurred in people with frailty. Every 0.1-unit increase in the pFI was associated with a 2.20-fold increase in the adjusted odds of mortality (95% CI 2.15-2.26; c-statistic 0.81), and a 1.70-fold increase in institutional discharge (95% CI 1.59-1.80; c-statistic 0.71). pFI performance was similar in emergency patients, and was robust to changes in index composition. CONCLUSIONS: A preoperative FI derived from HA data is a robust method to measure frailty in elective and emergency patients. Generalizable FIs should be considered a standard approach to population-level study of surgical frailty.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».