Discharge Prediction for Patients Undergoing Inpatient Surgery: Development and validation of the DEPENDENSE score
Notice bibliographique
Résumé
BACKGROUND: A substantial proportion of patients undergoing inpatient surgery each year is at risk for postoperative institutionalization and loss of independence. Reliable individualized preoperative prediction of adverse discharge can facilitate advanced care planning and shared decision making. METHODS: Using hospital registry data from previously home-dwelling adults undergoing inpatient surgery, we retrospectively developed and externally validated a score predicting adverse discharge. Multivariable logistic regression analysis and bootstrapping were used to develop the score. Adverse discharge was defined as in-hospital mortality or discharge to a skilled nursing facility. The model was subsequently externally validated in a cohort of patients from an independent hospital. RESULTS: In total, 106 164 patients in the development cohort and 92 962 patients in the validation cohort were included, of which 16 624 (15.7%) and 7717 (8.3%) patients experienced adverse discharge, respectively. The model was predictive of adverse discharge with an area under the receiver operating characteristic curve (AUC) of 0.87 (95% CI 0.87-0.88) in the development cohort and an AUC of 0.86 (95% CI 0.86-0.87) in the validation cohort. CONCLUSION: Using preoperatively available data, we developed and validated a prediction instrument for adverse discharge following inpatient surgery. Reliable prediction of this patient centered outcome can facilitate individualized operative planning to maximize value of care.
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 | 0,007 | 0,030 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».