Development of a Predictive Hospitalization Model for Skilled Nursing Facility Patients
Notice bibliographique
Résumé
OBJECTIVES: Identifying skilled nursing facility (SNF) patients at risk for hospitalization or death is of interest to SNFs, patients, and patients' families because of quality measures, financial penalties, and limited clinical staffing. We aimed to develop a predictive model that identifies SNF patients likely to be hospitalized or die within the next 7 days and validate the model's performance against clinician judgment. DESIGN: Retrospective multivariate prognostic model development study. SETTING AND PARTICIPANTS: Patients in US SNFs that use the PointClickCare electronic health record (EHR) system. We used data from the first 100 days of skilled stays for 5,642,474 patients in 8440 SNFs, from January 1, 2019, through March 31, 2023. METHODS: We used data collected in the course of clinical care to develop a machine learning model to predict the likelihood of patient hospitalization or death within the next 7 days. The data included vital signs, diagnoses, laboratory results, food intake, and clinical notes. We also asked SNF nurses and hospital case managers to make their own predictions as a comparison. The EHR was used as the source of information on whether the patient died or was hospitalized. RESULTS: The model had sensitivity of 35%, specificity of 92%, positive predictive value (PPV) of 18%, and area under the receiver operator curve (AUC) of 0.75. A variation of the model in which we did not include progress notes and food intake achieved an AUC of 0.70. Nurse raters achieved a sensitivity of 61%, specificity of 73%, and PPV of 10%. CONCLUSIONS AND IMPLICATIONS: Machine learning models can accurately predict the likelihood of hospitalization or death within the next 7 days among SNF patients. These models do not require additional SNF staff time and may be useful in readmission reduction programs by targeting more frequent monitoring proactively to those at highest risk.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 | 0,000 |
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 ».