Predicting readmission and death after hospital discharge: a comparison of conventional frailty measurement with an electronic health record-based score
Notice bibliographique
Résumé
BACKGROUND: frailty measurement may identify patients at risk of decline after hospital discharge, but many measures require specialist review and/or additional testing. OBJECTIVE: to compare validated frailty tools with routine electronic health record (EHR) data at hospital discharge, for associations with readmission or death. DESIGN: observational cohort study. SETTING: hospital ward. SUBJECTS: consented cardiology inpatients ≥70 years old within 24 hours of discharge. METHODS: patients underwent Fried, Short Physical Performance Battery (SPPB), PRISMA-7 and Clinical Frailty Scale (CFS) assessments. An EHR risk score was derived from the proportion of 31 possible frailty markers present. Electronic follow-up was completed for a primary outcome of 90-day readmission or death. Secondary outcomes were mortality and days alive at home ('home time') at 12 months. RESULTS: in total, 186 patients were included (79 ± 6 years old, 64% males). The primary outcome occurred in 55 (30%) patients. Fried (hazard ratio [HR] 1.47 per standard deviation [SD] increase, 95% confidence interval [CI] 1.18-1.81, P < 0.001), CFS (HR 1.24 per SD increase, 95% CI 1.01-1.51, P = 0.04) and EHR risk scores (HR 1.35 per SD increase, 95% CI 1.02-1.78, P = 0.04) were independently associated with the primary outcome after adjustment for age, sex and co-morbidity, but the SPPB and PRISMA-7 were not. The EHR risk score was independently associated with mortality and home time at 12 months. CONCLUSIONS: frailty measurement at hospital discharge identifies patients at risk of poorer outcomes. An EHR-based risk score appeared equivalent to validated frailty tools and may be automated to screen patients at scale, but this requires further validation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».