The Association between Emergency Department Length of Stay and In-Hospital Mortality in Older Patients Using Machine Learning: An Observational Cohort Study
Notice bibliographique
Résumé
The association between emergency department (ED) length of stay (EDLOS) with in-hospital mortality (IHM) in older patients remains unclear. This retrospective study aims to delineate the relationship between EDLOS and IHM in elderly patients. From the ED patients (n = 383,586) who visited an urban academic tertiary care medical center from January 2010 to December 2016, 78,478 older patients (age ≥60 years) were identified and stratified into three age subgroups: 60–74 (early elderly), 75–89 (late elderly), and ≥90 years (longevous elderly). We applied multiple machine learning approaches to identify the risk correlation trends between EDLOS and IHM, as well as boarding time (BT) and IHM. The incidence of IHM increased with age: 60–74 (2.7%), 75–89 (4.5%), and ≥90 years (6.3%). The best area under the receiver operating characteristic curve was obtained by Light Gradient Boosting Machine model for age groups 60–74, 75–89, and ≥90 years, which were 0.892 (95% CI, 0.870–0.916), 0.886 (95% CI, 0.861–0.911), and 0.838 (95% CI, 0.782–0.887), respectively. Our study showed that EDLOS and BT were statistically correlated with IHM (p < 0.001), and a significantly higher risk of IHM was found in low EDLOS and high BT. The flagged rate of quality assurance issues was higher in lower EDLOS ≤1 h (9.96%) vs. higher EDLOS 7 h
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».