Identification of Frailty using EMR and Admin data: A complex issue
Notice bibliographique
Résumé
IntroductionFrailty is a state of vulnerability to diverse stressors emphasizing the importance of identifying the frail to support them. The burden of frailty in Canada is steadily growing. Today, approximately 25% of people over age 65 and 50% past age 85 – over one million Canadians – are medically frail. Objectives and ApproachTo develop an administrative data definition of frailty to facilitate clinical and health system planning. We will validate the definition by linking the administrative data to electronic medical records (EMR) data. The EMR definition is based on a Machine Learning binarized frailty flag for patients with a Rockwood Clinical Frailty Score > 5 on physician chart audit. The sensitivity of the Machine Learning was disappointing: 28% (95% CI: 21% to 36%).specificity was: 94% (95% CI: 93% to 96%), positive predictive value: 53% (95% CI: 42% to 64%), negative predictive value: 86% (95% CI: 83% to 88%). ResultsThere was little overlap between the EMR and administrative data definitions using the same population. Of the 29,382 eligible administrative data community dwelling patients over 65 years old, with a linkable EMR record, 2398 (8.15%) were identified as frail using the administrative data definition, but only 16.1% of these were frail according to the EMR definition. Of the 2396 who were identified as frail in EMR data, only 375 (15.7%) were identified as frail using the administrative data definition. Conclusion/ImplicationsWe are not yet able to develop a reliable administrative data definition of frailty to identify community living individuals to support health service planning. The lack of agreement between the results obtained from EMR and administrative data definitions suggests that further refinement is necessary. Identification of frailty remains complex.
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 | 0,078 | 0,194 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».