Derivation and validation of pragmatic clinical models to predict hospital length of stay after cardiac surgery in Ontario, Canada: a population-based cohort study
Notice bibliographique
Résumé
BACKGROUND: Cardiac surgery is resource intensive and often requires multidisciplinary involvement to facilitate discharge. To facilitate evidence-based resource planning, we derived and validated clinical models to predict postoperative hospital length of stay (LOS). METHODS: We used linked, population-level databases with information on all Ontario residents and included patients aged 18 years or older who underwent coronary artery bypass grafting, valvular or thoracic aorta surgeries between October 2008 and September 2019. The primary outcome was hospital LOS. The models were derived by using patients who had surgery before Sept. 30, 2016, and validated after that date. To address the rightward skew in LOS data and to identify top-tier resource users, we used logistic regression to derive a model to predict the likelihood of LOS being more than the 98th percentile (> 30 d), and γ regression in the remainder to predict continuous LOS in days. We used backward stepwise variable selection for both models. RESULTS: Among 105 193 patients, 2422 (2.3%) had an LOS of more than 30 days. Factors predicting prolonged LOS included age, female sex, procedure type and urgency, comorbidities including frailty, high-risk acute coronary syndrome, heart failure, reduced left ventricular ejection fraction and psychiatric and pulmonary circulatory disease. The C statistic was 0.92 for the prolonged LOS model and the mean absolute error was 2.4 days for the continuous LOS model. INTERPRETATION: We derived and validated clinical models to identify top-tier resource users and predict continuous LOS with excellent accuracy. Our models could be used to benchmark clinical performance based on expected LOS, rationally allocate resources and support patient-centred operative decision-making.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».