A simplification of the Kaiser Permanente inpatient risk adjustment methodology accurately predicted in-hospital mortality: A retrospective cohort study
Notice bibliographique
Résumé
Abstract Objective We simplified and evaluated the Kaiser Permanente inpatient risk adjustment methodology (KP method) to predict in-hospital mortality, using open-source tools to measure comorbidity and diagnosis groups, and removing troponin, which is difficult to standardize across clinical assays. Study Design and Setting Retrospective cohort study of adult general medical inpatients at 7 hospitals in Ontario, Canada. Results In 206,155 unique hospitalizations with 6.9% in-hospital mortality, the simplified KP method accurately predicted the risk of mortality. Bias-corrected c-statistics were 0.874 (95%CI 0.872-0.877) with troponin and 0.873 (95%CI 0.871-0.876) without troponin, and calibration was excellent for both approaches. Discrimination and calibration were similar with and without troponin for patients with heart failure and acute myocardial infarction. The Laboratory-based Acute Physiology Score (LAPS, a component of the KP method) predicted inpatient mortality on its own with and without troponin with bias-corrected c-statistics of 0.687 (95%CI 0.682-0.692) and 0.680 (95%CI 0.675-0.685), respectively. LAPS was well calibrated, except at very high scores. Conclusion A simplification of the KP method accurately predicted in-hospital mortality risk in an external general medicine cohort. Without troponin, and using common open-source tools, the KP method can be implemented for risk adjustment in a wider range of settings.
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 | 0,010 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».