Systematic Review and Critical Appraisal of Prediction Models for Readmission in Coronary Artery Disease Patients: Assessing Current Efficacy and Future Directions
Notice bibliographique
Résumé
Purpose: Coronary artery disease (CAD) patients frequently face readmissions due to suboptimal disease management. Prediction models are pivotal for detecting early unplanned readmissions. This review offers a unified assessment, aiming to lay the groundwork for enhancing prediction models and informing prevention strategies. Methods: A search through five databases (PubMed, Web of Science, EBSCOhost, Embase, China National Knowledge Infrastructure) up to September 2023 identified studies on prediction models for coronary artery disease patient readmissions for this review. Two independent reviewers used the CHARMS checklist for data extraction and the PROBAST tool for bias assessment. Results: From 12,457 records, 15 studies were selected, contributing 30 models targeting various CAD patient groups (AMI, CABG, ACS) from primarily China, the USA, and Canada. Models utilized varied methods such as logistic regression and machine learning, with performance predominantly measured by the c-index. Key predictors included age, gender, and hospital stay duration. Readmission rates in the studies varied from 4.8% to 45.1%. Despite high bias risk across models, several showed notable accuracy and calibration. Conclusion: The study highlights the need for thorough external validation and the use of the PROBAST tool to reduce bias in models predicting readmission for CAD patients.
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 | 0,108 | 0,406 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,014 | 0,014 |
| Bibliométrie | 0,020 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».