mHOMR: a prospective observational study of an automated mortality prediction model to identify patients with unmet palliative needs
Notice bibliographique
Résumé
OBJECTIVE: Identification of patients with shortened life expectancy is a major obstacle to delivering palliative/end-of-life care. We previously developed the modified Hospitalised-patient One-year Mortality Risk (mHOMR) model for the automated identification of patients with an elevated 1-year mortality risk. Our goal was to investigate whether patients identified by mHOMR at high risk for mortality in the next year also have unmet palliative needs. METHOD: We conducted a prospective observational study at two quaternary healthcare facilities in Toronto, Canada, with patients admitted to general internal medicine service and identified by mHOMR to have an expected 1-year mortality risk of 10% or more. We measured patients' unmet palliative needs-a severe uncontrolled symptom on the Edmonton Symptom Assessment Scale or readiness to engage in advance care planning (ACP) based on Sudore's ACP Engagement Survey. RESULTS: Of 518 patients identified by mHOMR, 403 (78%) patients consented to participate; 87% of those had either a severe uncontrolled symptom or readiness to engage in ACP, and 44% had both. Patients represented frailty (38%), cancer (28%) and organ failure (28%) trajectories were admitted for a median of 6 days, and 94% survived to discharge. CONCLUSIONS: A large majority of hospitalised patients identified by mHOMR have unmet palliative needs, regardless of disease, and are identified early enough in their disease course that they may benefit from a palliative approach to their care. Adoption of such a model could improve the timely introduction of a palliative approach for patients, especially those with non-cancer illness.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».