mHOMR: the acceptability of an automated mortality prediction model for timely identification of patients for palliative care
Notice bibliographique
Résumé
Patients with non-cancer serious illnesses are under-recognised and receive palliative care only in the final weeks of life, if at all.1 The modified Hospitalised-patient One-year Mortality Risk (mHOMR) tool is a computer-based mortality prediction tool that accurately identifies patients at risk of 1-year mortality and is a feasible alternative to healthcare provider (HCP)-dependent models.2 Briefly, the tool uses data from the electronic health record to calculate an mHOMR score for each new hospital admission. The alert only notifies the lead physician, suggesting they refer the patient topalliative care and does not provide the actual score.2 In this study, we sought the perspectives of patients, family members, and HCPs to identify acceptability of mHOMR as a mortality risk tool. Together, these two studies represent the feasibility and acceptability components of the implementation outcomes (IO) framework.3 Previously we reported the development and feasibility of mHOMR (see Wegier et al 2 for more details). Alongside the feasibility study2 we collected qualitative data from November 2016 to May 2017 pre-implementation and from June to October 2017 post-implementation at two quaternary hospitals in Toronto, Canada. We used a postpositivist, qualitative content methodology4 and consecutively recruited: (1) English-speaking patients admitted to a medicosurgical ward with an mHOMR score >0.21 (ie, >21% risk of death in 12 months) and (2) HCPs who admitted patients with an mHOMR score >0.21 or were involved in advance care planning or goals of care (GOC) discussions with these patients. Substitute decision makers were recruited if a patient could not consent. In-person interviews with patients and caregivers and phone interviews with HCPs were …
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».