Prediction model to delirium in hospitalized elderly people
Notice bibliographique
Résumé
Introduction: Delirium has a high prevalence in hospitalized elderly patients. This is due to low hospital detection and the absence of a screening instrument. Objective: evaluate predictive variables in the development of delirium in na in-hospital environment. Methods: Cross-sectional study. Data collection was carried out between 2015-2016, with a sample of 493 elderly people. The variables used were age, sex, the reason for hospitalization, Identification of Elderly at Risk (ISAR), delirium during hospitalization using the Confusion Assessment Method, frailty using the Edmonton Scale, the impact of comorbidities by the Charlson Index and hospital immobility. Predictive variables were identified through logistic regression. Results: 469 elderly people were taken. The presence of delirium during hospitalization was mostly observed between 80 and 89 years old (n = 12), female (n = 16), with the most common reasons for hospitalization due to fractures (n = 6) and accident brain vascular (n = 11), 79% chance of surviving in one year using the Charlson Index (n = 11) and with ISAR> 2 (n = 26). There are important associations for the development of delirium for patients who have a 98% chance of surviving in one year (p = 0.05) and with ISAR <2 (p = 0.027), with a 34% increased chance and 38%, respectively. Conclusion: It is observed that, by the results, the predictive variables of inhospital delirium are patients with a 98% chance of survival and with ISAR <2.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».