A cross-sectional study examining convergent validity of a frailty index based on electronic medical records in a Canadian primary care program
Notice bibliographique
Résumé
BACKGROUND: An electronic frailty index (eFI) has been developed and validated in the UK; it uses data from primary care electronic medical records (EMR) for effective frailty case-finding in primary care. This project examined the convergent validity of the eFI from Canadian primary care EMR data with a validated frailty index based on comprehensive geriatric assessment (FI-CGA), in order to understand its potential use in the Canadian context. METHODS: A cross-sectional validation study, using data from an integrated primary care research program for seniors living with frailty in Edmonton, AB. Eighty-five patients 65 years of age and older from six primary care physicians' practices were recruited. Patients were excluded if they were under 65 years of age, did not provide consent to participate in the program, or were living in a long term care facility at the time of enrolment. We used scatter plots to assess linearity and Pearson correlation coefficients to examine correlations. RESULTS: Results indicate a strong statistically significant correlation between the eFI and FI-CGA (r = 0.72, 95% CI 0.60-0.81, p < 0.001). A simple linear regression showed good ability of the eFI scores to predict FI-CGA scores (F (1,83) = 89.06, p < .0001, R2 = 0.51). Both indices were also correlated with age, number of chronic conditions and number of medications. CONCLUSIONS: The study findings support the convergent validity of the eFI, which further justifies implementation of a case-finding tool that uses routinely collected primary care data in the Canadian context.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».