MétaCan
Menu
Retour à la cohorte
Enregistrement W2890154997 · doi:10.23889/ijpds.v3i4.716

Patient-Reported Outcomes Improves the Prediction of In-patient and Emergency Department Readmission Risks in Coronary Artery Disease

2018· article· en· W2890154997 sur OpenAlexaffabout
Danielle A. Southern, Colleen M. Norris, Hude Quan, Maria Santana, Matthew T. James, Stephen B. Wilton, Oluwaseyi A. Lawal, Zhiyang Liang, Olu Awosoga, Michelle M. Graham, William A. Ghali, Merril L. Knudtson, Tolu Sajobi

Notice bibliographique

RevueInternational Journal for Population Data Science · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueHealthcare Systems and Public Health
Établissements canadiensUniversity of LethbridgeUniversity of AlbertaUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMedicineEmergency departmentLogistic regressionCoronary artery diseaseEmergency medicineAnginaPromPopulationStatisticAmbulatoryMyocardial infarctionInternal medicineStatistics

Résumé

récupéré en direct d'OpenAlex

IntroductionCoronary Artery Disease (CAD) patients are known to report higher healthcare resource use, such as inpatient [IP] and emergency department [ED] readmissions, than the general population. We investigate if the patient reported outcome measures (PROMs) improve the accuracy of readmissions risk prediction models in CAD.
 Objectives and ApproachPatients enrolled in the Alberta Provincial Project for Outcomes Assessment in Coronary Heart Disease (APPROACH) registry between 1995 and 2014 who received catheterization (CATH) and completed baseline PROMs were linked to discharge abstract data and national ambulatory data. Logistic regression (LR) was used to develop 30-day and 1-year readmissions risk prediction models adjusting for patients’ demographic, clinical, and self-reported characteristics. PROM was measured using the 19-item Seattle Angina Questionnaire (SAQ). The discriminatory performance of each prediction model was assessed using the Harrel’s c-statistic for LR.
 ResultsOf the 13,264 patients who completed baseline SAQ, 59 (0.3%) had IP readmissions or ED visits within 30 days, and up to 356 (1.9%) within 1 year of baseline survey. The C-statistics for one-year readmissions risk prediction models that only adjusted for demographic and clinical variables only ranged between 56.4% and 61.2%. The prognostic improvement in the discrimination of these models ranged between 2% to 10% when patient-reported SAQ was included as predictor. The addition of SAQ improves the model discrimination in all types of admission.
 Conclusion/ImplicationsThe addition of PROMs improves the moderate accuracy of readmissions risk prediction models. These findings highlight the need for routine collection of PROMs in clinical settings and their potential use for aiding clinical and policy decision-making and post-discharge outcomes monitoring in the management of cardiovascular diseases.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,069
Score d'incertitude au seuil0,190

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,105
Tête enseignante GPT0,433
Écart entre enseignants0,328 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetHealthcare Systems and Public HealthTravaux en français237 207