P‐TS‐10 | An Unsupervised Learning Approach to Identify Immunoglobulin Utilization Patterns Using Electronic Health Records
Notice bibliographique
Résumé
Canada's Immunoglobulin (Ig) product demand is rising despite high product costs and global shortages. Detection of groups with high utilization rates can help with resource planning for Ig products. This study aims to uncover subgroups among the Ig recipients using electronic health records (EHRs). The study included all Ig recipients (intravenous or subcutaneous) in a Canadian city from 2014 to 2020 and analyzed their EHRs, including blood inventory, recipient demographics, and laboratory test results. Patient clusters were derived based on patient characteristics and laboratory test data using K-means clustering. Clusters were interpreted using descriptive analyses and visualization techniques. Among the 4112 recipients, six clusters were identified. Cluster 1 consisted of 62 (1.5%) patients, with 77.3% infusions occurring in emergency departments. Cluster 2, comprising 1034 (25.1%) patients, had a median age of 4 years, while clusters 2–6 were predominantly adult patients with median ages between 46 and 60 years. Cluster 3 included 1253 (30.5%) patients, with 86.4% of infusions administered in an inpatient setting. Clusters 4 and 5 comprised 1272 (30.9%) and 408 (9.9%) patients, respectively, contributing to 27.1% and 62.2% of total Ig utilization. Cluster 6 contained 83 (2.0%) patients, all of whom received subcutaneous Ig treatments. This study represents the first to utilize a data-driven clustering approach for Ig utilization patterns using EHR data. Through this study, we obtained valuable insights into trends and patterns of Ig utilization, identified the patient characteristics associated with high demand for Ig, and gained a deeper understanding of patient segmentations and their specific needs.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».