Abstract 11680: Comorbidity and Cognitive Function Predict Efficiency of a Disease Management Program in Reducing Short-Term Readmission in Heart Failure
Notice bibliographique
Résumé
Background: Both comorbidity and cognitive impairment are highly prevalent and predictive of outcomes in heart failure (HF). We sought whether these risk factors could identify patients most likely to benefit from a HF disease management program (DMP) to reduce readmission. Methods: 1363 consecutive HF patients were prospectively followed for 1 month after discharge. Of these, 431 (31%) patients received a DMP (1-month duration, including post-discharge home visits, medication reconciliation, exercise guidance and early clinical review). Primary outcome was all-cause readmission/death at 30-day post-discharge. Charlson comorbidity index (CCI) was calculated based on discharge diagnoses and categorised as mild (CCI≤2), moderate (CCI 3-4) and severe (CCI≥5). Cognitive function was assessed on discharge using the Montreal Cognitive Assessment (MoCA) and classified as normal (MoCA 26-30), low-normal (MoCA 23-25), mildly impaired (MoCA 17-22) and moderate/severely impaired (MoCA≤16). Results: 28% (386/1363) of patients died or were readmitted within 30 days after discharge. Both CCI (relative risk RR=1.06 [95% CI: 1.03, 1.10] per point) and MoCA (RR=0.95 [95% CI: 0.94, 0.96] per point) were significantly predictive of outcome, with a statistically significant interaction (p=0.032). Cross-classification of CCI and MoCA identified a group of high-risk patients (≥mild cognitive impairment and/or severe Charlson comorbidity index) who had a 2.02-fold higher risk of 30-day readmission/death (34%, 309/903) than patients with mild/moderate CCI and without cognitive impairment (17%, 72/426). The effect size of DMP was significantly stronger (p=0.034) among the high-risk patients (RR=0.62 [95% CI: 0.49, 0.77]) compared to low-risk patients (RR=0.98 [95% CI: 0.61, 1.58]). Conclusion: Comorbidities and cognitive impairment strongly predict short-term adverse outcomes in HF and can be used to identify patients who are most likely to benefit from a DMP.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».