An unsupervised learning approach to identify immunoglobulin utilization patterns using electronic health records
Notice bibliographique
Résumé
BACKGROUND: Managing Canada's immunoglobulin (Ig) product resource allocation is challenging due to increasing demand, high expenditure, and global shortages. Detection of groups with high utilization rates can help with resource planning for Ig products. This study aims to uncover utilization subgroups among the Ig recipients using electronic health records (EHRs). METHODS: The study included all Ig recipients (intravenous or subcutaneous) in Calgary from 2014 to 2020, and their EHR data, including blood inventory, recipient demographics, and laboratory test results, were analyzed. 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. RESULTS: Among 4112 recipients, six clusters were identified. Clusters 1 and 2 comprised 408 (9.9%) and 1272 (30.9%) patients, respectively, contributing to 62.2% and 27.1% of total Ig utilization. Cluster 3 included 1253 (30.5%) patients, with 86.4% of infusions administered in an inpatient setting. Cluster 4, comprising 1034 (25.1%) patients, had a median age of 4 years, while clusters 2-6 were adults with median ages of 46-60. Cluster 5 had 62 (1.5%) patients, with 77.3% infusions occurring in emergency departments. Cluster 6 contained 83 (2.0%) patients receiving subcutaneous Ig treatments. CONCLUSION: The results identified data-driven segmentations of patients with high Ig utilization rates and patients with high risk for short-term inpatient use. Our report is the first on EHR data-driven clustering of Ig utilization patterns. The findings hold the potential to inform demand forecasting and resource allocation decisions during shortages of Ig products.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».