An Inverse Optimization Approach to Measuring Clinical Pathway\n Concordance
Notice bibliographique
Résumé
Clinical pathways outline standardized processes in the delivery of care for\na specific disease. Patient journeys through the healthcare system, though, can\ndeviate substantially from these pathways. Given the positive benefits of\nclinical pathways, it is important to measure the concordance of patient\npathways so that variations in health system performance or bottlenecks in the\ndelivery of care can be detected, monitored, and acted upon. This paper\nproposes the first data-driven inverse optimization approach to measuring\npathway concordance in any problem context. Our specific application considers\nclinical pathway concordance for stage III colon cancer. We develop a novel\nconcordance metric and demonstrate using real patient data from Ontario, Canada\nthat it has a statistically significant association with survival. Our\nmethodological approach considers a patient's journey as a walk in a directed\ngraph, where the costs on the arcs are derived by solving an inverse shortest\npath problem. The inverse optimization model uses two sources of information to\nfind the arc costs: reference pathways developed by a provincial cancer agency\n(primary) and data from real-world patient-related activity from patients with\nboth positive and negative clinical outcomes (secondary). Thus, our inverse\noptimization framework extends existing models by including data points of both\nvarying "primacy" and "alignment". Data primacy is addressed through a\ntwo-stage approach to imputing the cost vector, while data alignment is\naddressed by a hybrid objective function that aims to minimize and maximize\nsuboptimality error for different subsets of input data.\n
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».