Statistical tools used for analyses of frequent users of emergency department: a scoping review
Notice bibliographique
Résumé
OBJECTIVE: Frequent users represent a small proportion of emergency department users, but they account for a disproportionately large number of visits. Their use of emergency departments is often considered suboptimal. It would be more efficient to identify and treat those patients earlier in their health problem trajectory. It is therefore essential to describe their characteristics and to predict their emergency department use. In order to do so, adequate statistical tools are needed. The objective of this study was to determine the statistical tools used in identifying variables associated with frequent use or predicting the risk of becoming a frequent user. METHODS: We performed a scoping review following an established 5-stage methodological framework. We searched PubMed, Scopus and CINAHL databases in February 2019 using search strategies defined with the help of an information specialist. Out of 4534 potential abstracts, we selected 114 articles based on defined criteria and presented in a content analysis. RESULTS: We identified four classes of statistical tools. Regression models were found to be the most common practice, followed by hypothesis testing. The logistic regression was found to be the most used statistical tool, followed by χ2 test and t-test of associations between variables. Other tools were marginally used. CONCLUSIONS: This scoping review lists common statistical tools used for analysing frequent users in emergency departments. It highlights the fact that some are well established while others are much less so. More research is needed to apply appropriate techniques to health data or to diversify statistical point of views.
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 | 0,128 | 0,417 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,013 | 0,014 |
| Bibliométrie | 0,075 | 0,061 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».