MétaCan
Menu
← Retour à la cohorte
Enregistrement W2981490757 · doi:10.1093/eurheartj/ehz746.0947

P6351A point-of-care risk score predicts 30-day readmission in patients hospitalized with heart failure (HF): derivation and validation of the LENT index

2019· article· en· W2981490757 sur OpenAlexaffabout
Harriette G.C. Van Spall, S F Lee, Tauben Averbuch, Urun Erbas Oz, Dennis T. Ko, Stuart J. Connolly

Notice bibliographique

RevueEuropean Heart Journal · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueHeart Failure Treatment and Management
Établissements canadiensInstitute for Clinical Evaluative SciencesMcMaster UniversityPopulation Health Research Institute
Organismes subventionnairesnon disponible
Mots-clésMedicineEmergency departmentHeart failureInternal medicineEmergency medicineProportional hazards modelFramingham Risk ScoreNatriuretic peptideCardiologyDisease

Résumé

récupéré en direct d'OpenAlex

Abstract Background Risk prediction models in heart failure (HF) are typically complex, derived retrospectively from administrative databases, and modest in their ability to discriminate between high, medium, and low risk categories. The complexity of these models makes them difficult to use at the point of care. Purpose To determine if a simple risk index using Length of hospital stay (L), number of Emergency department visits in the preceding 6 months (E), and either admission or discharge N-Terminal (NT) prohormone of Brain Natriuretic Peptide (pro-BNP) at the point of care can predict 30-day readmissions in patients hospitalized for HF. Methods This is a sub-study of the Patient-Centered Care Transitions in HF (PACT-HF) stepped-wedge cluster randomized trial. We included 772 patients hospitalized for HF at 10 Canadian hospitals. We used log-binomial regression models with Length of stay, Emergency department visits in the preceding 6 months, and either admission or discharge N-Terminal prohormone of Brain Natriuretic Peptide (NT-pro-BNP) as the predictor variables and 30-day all-cause readmission as the outcome. We derived the LENT risk score from the β-coefficients of the regression model (Fig. 1). All the models were adjusted for post-discharge services. We assessed model discrimination with C-statistics and model calibration with the net reclassification index (NRI). We used the bootstrapping approach with 100 runs for internal validation. Results The LENT index had a possible score ranging from 1 to 13 (Fig 1). Increments in the LENT risk score were associated with an increased risk of 30-day readmission; a 1-point increase in the LENT index using the admission and discharge NT-pro-BNP predicted a 23% and 19% increase in 30-day readmission risk, respectively. The internal validation produced similar results. Compared to a null model, the LE index had an NRI of 0.35 [95% CI 0.18, 0.53], and admission and discharge NT-pro-BNP further improved calibration of the LE index (NRI 0.15 [95% CI 0, 0.32] and 0.20 [95% CI 0.03, 0.37], respectively). The LENT index offered modest discrimination for 30-day readmission (C-statistic 0.64 [95% CI 0.59, 0.69]), similar to more complex risk models. Figure 1. The LENT index scoring system Conclusion A simple risk index based on Length of stay, Emergent visits, and NT-pro-BNP at the point of care can reliably predict 30-day readmissions. The LENT index offers ease of use over traditional risk prediction models. Acknowledgement/Funding Canadian Institutes of Health Research, Ontario MOHLTC, Roche Diagnostics

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,026
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,018
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,011
Tête enseignante GPT0,235
Écart entre enseignants0,224 · 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 source (Gemma direct ou Codex distillé), 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
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEuropean Heart Journal→Même sujetHeart Failure Treatment and Management→Travaux en français237 207→