Profiles of Frequent Geriatric Users of Emergency Departments: A Latent Class Analysis
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVES: Frequent geriatric users of emergency departments (EDs) represent a complex and heterogeneous population. Identifying their specific subgroups would allow the development of interventions better customized to their needs and characteristics. Thus, this study aimed to develop profiles of frequent geriatric ED users using the individual characteristics of patients. DESIGN: This was a retrospective cohort study. SETTING: Databases from the Régie de l'assurance maladie du Québec (RAMQ) were utilized. PARTICIPANTSThis study included individuals aged 65 years or older living in the community in the Province of Quebec (Canada), who consulted in an ED at least four times in the year after an ED index date (an ED visit, chosen randomly, during an index period of January 1, 2012 to December 31, 2013) and who had received a diagnosis of ambulatory care-sensitive conditions (ACSCs) in the 2 years preceding the index date. MEASUREMENTS: A latent class analysis was used to identify subgroups of frequent geriatric ED users according to their individual characteristics, including ACSC type, dementia, mental health disorders, cancer diagnosis, and comorbidity index. RESULTS: The study cohort consisted of 21,393 frequent geriatric ED users. Four groups of frequent geriatric ED users were identified: people with low comorbidity (39.0%), comprising the individuals with the lowest number of physical and mental health conditions; people with cancer (32.7%); people with pulmonaryand cardiac diseases (18.1%); and people with dementia or mental health disorders (10.2%), composed of individuals with the highest proportion of common and severe mental health disease, as well as dementia. This group accounts for the highest use of overall healthcare services. CONCLUSION: These profiles will be useful in developing customized interventions addressing the needs of each subgroup of frequent geriatric ED users. More research is needed to bridge the remaining gaps, especially regarding the healthiest frequent geriatric users of EDs.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».