An Algorithm Integrating a Short Form of the Functional Autonomy Measurement System to Predict Discharge Destination After Acute Care Post-Stroke
Notice bibliographique
Résumé
Purpose: This study develops a short form of the Functional Autonomy Measurement System (SMAF), the SF-SMAF, for measuring functional capacity in patients undergoing acute care post-stroke, identifies predictors of the discharge destination chosen by the care team, and derives an algorithm that integrates the SF-SMAF and other predictors to guide discharge planning. Method: This multisite prospective cohort study involved 200 patients assessed with the SMAF within 8 days post-stroke. Sociodemographic and clinical data were extracted from patients’ medical records. We performed linear regressions to identify subsets of SMAF items that closely approximate the SMAF total score and asked a panel of experts to make the final selection. We used logistic regression to develop an algorithm that predicts discharge destinations using the SF-SMAF and other predictors. Results: The SF-SMAF includes four items: “washing,” “walking inside,” “judgment,” and “budgeting.” It is highly correlated with the SMAF ( R 2 = 0.94) and, alone, predicts 71% of discharge destinations. Adding obstacles to returning home, support required from caregivers, and the ability to communicate raises the prediction of the proposed algorithm to 82%. Conclusions: The SF-SMAF results closely approximate those of the SMAF in the first week post-stroke. Following further validation, the proposed algorithm could guide clinicians in using the SF-SMAF for discharge planning.
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 | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».