Measuring the Predictive Accuracy of Preoperative Clinical Frailty Instruments Applied to Electronic Health Data in Older Patients Having Emergency General Surgery
Notice bibliographique
Résumé
OBJECTIVE: To compare predictive accuracy of frailty instruments operationalizable in electronic data for prognosticating outcomes among older adults undergoing emergency general surgery (EGS). BACKGROUND: Older patients undergoing EGS are at higher risk of perioperative morbidity and mortality. Preoperative frailty is a common and strong perioperative risk factor in this population. Despite this, existing barriers preclude routine preoperative frailty assessment. METHODS: We conducted a retrospective cohort study of adults above 65 undergoing EGS from 2012 to 2018 using Institute for Clinical Evaluative Sciences (ICES) provincial healthcare data in Ontario, Canada. We compared 4 frailty instruments: Frailty Index (FI), Hospital Frailty Risk Score (HFRS), Risk Analysis Index-Administrative (RAI), ACG Frailty-defining diagnoses indicator (ACG). We compared predictive accuracy beyond baseline risk models (age, sex, American Society of Anesthesiologists' score, procedural risk). Predictive performance was measured using discrimination, calibration, explained variance, net reclassification index and Brier score (binary outcomes); using explained variance, root mean squared error and mean absolute prediction error (continuous outcomes). Primary outcome was 30-day mortality. Secondary outcomes were 365-day mortality, nonhome discharge, days alive at home, length of stay, and 30-day and 365-day health systems cost. RESULTS: A total of 121,095 EGS patients met inclusion criteria. Of these, 11,422 (9.4%) experienced death 30 days postoperatively. Addition of FI, HFRS, and RAI to the baseline model led to improved discrimination, net reclassification index, and R2 ; RAI demonstrated the largest improvements. CONCLUSIONS: Adding 4 frailty instruments to typically assessed preoperative risk factors demonstrated strong predictive performance in accurately prognosticating perioperative outcomes. These findings can be considered in developing automated risk stratification systems among older EGS patients.
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 | 0,007 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 ».