A detailed analysis of patients included in the Summary Hospital-level Mortality Indicator (SHMI) for myocardial infarction (MI)—all is not what it seems?
Notice bibliographique
Résumé
BACKGROUND: The Summary Hospital-level Mortality Indicator (SHMI) for Myocardial Infarction (MI) is the ratio of the observed to the expected number of deaths due to MI. We aimed to assess (1) the accuracy of MI as a diagnosis in the SHMI for MI and (2) the healthcare received by patients with type 1 MI included in the SHMI for MI. METHODS: Retrospective review of patients included in SHMI for MI from April 2017 to March 2018. The diagnosis of MI was divided into type 1, type 2 and non-MI. For patients with type 1 MI who underwent intervention, we applied the prognostic Toronto Risk Score (TRS) and classified into group 0: score <13 (mortality risk 0%-4%, lowest risk), group 1: score 13-16 (mortality risk 6%-19.6%), group 2: score 17-19 (mortality risk 27.4%-47.6%) and group 3: score ≥20 (mortality risk 58%-92%). For patients with type 1 MI who underwent conservative management, we reviewed appropriateness of conservative management. RESULTS: SHMI for MI was 96 (41/42.83) falling to 65.4 with the inclusion of only type 1 MI (28 patients, 28/42.83). About 41.5% (n=17) underwent intervention of whom three were in the lowest risk TRS (group 0) and all received appropriate healthcare. Conservative management was appropriate for the 26.8% (n=11) treated medically, the most common reason was severe cognitive dysfunction. CONCLUSIONS: We have demonstrated that SHMI for MI can be inaccurate due to the inclusion of type 2 MI or non-MI. Grouping patients into intervention versus conservative management helps in assessment of healthcare.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».