The predictive power of geographic health care utilization for unintentional fatal fall rates
Notice bibliographique
Résumé
Abstract Background Falls are the leading cause of fatal and nonfatal injuries among adults over 65 years old. The increase in fall mortality rates is likely multifactorial. With a lack of key drivers identified to explain rising rates of death from falls, accurate predictive modelling can be challenging, hindering evidence-based health resource and policy efforts. The objective of this work is to examine the predictive power of geographic utilization and longitudinal trends in mortality from unintentional falls amongst different demographic and geographic strata. Methods This is a nationwide, retrospective cohort study using the United States Centers for Disease Control (CDC) Web-based Injury Statistics Query and Reporting System (WISQARS) database. The exposure was death from an unintentional fall as determined by the CDC. Outcomes included aggregate and trend crude and age-adjusted death rates. Health care utilization, reimbursement, and cost metrics were also compared. Results Over 2001 to 2018, 465,486 total deaths due to unintentional falls were recorded with crude and age-adjusted rates of 8.42 and 7.76 per 100,000 population respectively. Comparing age-adjusted rates, males had a significantly higher age-adjusted death rate (9.89 vs. 6.17; p < 0.00001), but both male and female annual age-adjusted mortality rates are expected to rise (Male: + 0.25 rate/year, R2= 0.98; Female: + 0.22 rate/year, R2= 0.99). There were significant increases in death rates commensurate with increasing age, with the adults aged 85 years or older having the highest aggregate (201.1 per 100,000) and trending death rates (+ 8.75 deaths per 100,000/year, R2= 0.99). Machine learning algorithms using health care utilization data were accurate in predicting geographic age-adjusted death rates. Conclusions Machine learning models have high accuracy in predicting geographic age-adjusted mortality rates from health care utilization data. In the United States from 2001 through 2018, adults aged 85+ years carried the highest death rate from unintentional falls and this rate is forecasted to accelerate.
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 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».