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 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 | 0,033 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».