Derivation and Internal Validation of a Clinical Risk Prediction Tool for Hyperkalemia-Related Emergency Department Encounters Among Hemodialysis Patients
Notice bibliographique
Résumé
Background: Approximately 10% of emergency department (ED) visits among dialysis patients are for conditions that could potentially be managed in outpatient settings, such as hyperkalemia. Objective: Using population-based data, we derived and internally validated a risk score to identify hemodialysis patients at increased risk of hyperkalemia-related ED events. Design: Retrospective cohort study. Setting: Ten in-center hemodialysis sites in southern Alberta, Canada. Patients: All maintenance hemodialysis patients (≥18 years) between March 2009 and March 2017. Measurements: Predictors of hyperkalemia-related ED events included patient demographics, comorbidities, health-system use, laboratory measurements, and dialysis information. The outcome of interest (hyperkalemia-related ED events) was defined by International Classification of Diseases (10th Revision; ICD-10) codes and/or serum potassium [K + ] ≥6 mmol/L. Methods: Bootstrapped logistic regression was used to derive and internally validate a model of important predictors of hyperkalemia-related ED events. A point system was created based on regression coefficients. Model discrimination was assessed by an optimism-adjusted C-statistic and calibration by deciles of risk and calibration slope. Results: Of the 1533 maintenance hemodialysis patients in our cohort, 331 (21.6%) presented to the ED with 615 hyperkalemia-related ED events. A 9-point scale for risk of a hyperkalemia-related ED event was created with points assigned to 5 strong predictors based on their regression coefficients: ≥1 laboratory measurement of serum K + ≥6 mmol/L in the prior 6 months (3 points); ≥1 Hemoglobin A1C [HbA1C] measurement ≥8% in the prior 12 months (1 point); mean ultrafiltration of ≥10 mL/kg/h over the preceding 2 weeks (2 points); ≥25 hours of cumulative time dialyzing over the preceding 2 weeks (1 point); and dialysis vintage of ≥2 years (2 points). Model discrimination (C-statistic: 0.75) and calibration were good. Limitations: Measures related to health behaviors, social determinants of health, and residual kidney function were not available for inclusion as potential predictors. Conclusions: While this tool requires external validation, it may help identify high-risk patients and allow for preventative strategies to avoid unnecessary ED visits and improve patient quality of life. Trial registration: Not applicable—observational study design.
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 | 0,022 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».