Use of a Telemedicine Risk Assessment Tool to Predict the Risk of Hospitalization of 496 Outpatients With COVID-19: Retrospective Analysis
Notice bibliographique
Résumé
BACKGROUND: Risk assessment of patients with acute COVID-19 in a telemedicine context is not well described. In settings of large numbers of patients, a risk assessment tool may guide resource allocation not only for patient care but also for maximum health care and public health benefit. OBJECTIVE: The goal of this study was to determine whether a COVID-19 telemedicine risk assessment tool accurately predicts hospitalizations. METHODS: We conducted a retrospective study of a COVID-19 telemedicine home monitoring program serving health care workers and the community in Atlanta, Georgia, with enrollment from March 24 to May 26, 2020; the final call range was from March 27 to June 19, 2020. All patients were assessed by medical providers using an institutional COVID-19 risk assessment tool designating patients as Tier 1 (low risk for hospitalization), Tier 2 (intermediate risk for hospitalization), or Tier 3 (high risk for hospitalization). Patients were followed with regular telephone calls to an endpoint of improvement or hospitalization. Using survival analysis by Cox regression with days to hospitalization as the metric, we analyzed the performance of the risk tiers and explored individual patient factors associated with risk of hospitalization. RESULTS: Providers using the risk assessment rubric assigned 496 outpatients to tiers: Tier 1, 237 out of 496 (47.8%); Tier 2, 185 out of 496 (37.3%); and Tier 3, 74 out of 496 (14.9%). Subsequent hospitalizations numbered 3 out of 237 (1.3%) for Tier 1, 15 out of 185 (8.1%) for Tier 2, and 17 out of 74 (23%) for Tier 3. From a Cox regression model with age of 60 years or older, gender, and reported obesity as covariates, the adjusted hazard ratios for hospitalization using Tier 1 as reference were 3.74 (95% CI 1.06-13.27; P=.04) for Tier 2 and 10.87 (95% CI 3.09-38.27; P<.001) for Tier 3. CONCLUSIONS: A telemedicine risk assessment tool prospectively applied to an outpatient population with COVID-19 identified populations with low, intermediate, and high risk of hospitalization.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».