Identifying Oncology Patients at High Risk for Potentially Preventable Emergency Department Visits Using a Novel Definition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Patients with cancer visit the emergency department (ED) frequently. While some ED visits are necessary, others may be potentially preventable ED visits (PPEDs). Reducing PPEDs is important to improve quality of care and reduce costs. However, a robust definition and the characteristics of patients at risk remain unclear. This study aimed to describe oncology-related PPEDs and identify characteristics of patients at the highest risk for PPEDs to help target interventions and minimize avoidable ED visits. METHODS: A retrospective study was conducted using four clinical and administrative databases. All ED visits by oncology patients between April 1, 2019, and April 1, 2021, were identified. A novel definition of PPEDs was explored, specifically visits that resulted in immediate discharge from the ED or admissions <48 hours. Trends in ED use, including PPEDs, were evaluated using descriptive statistics, logistic regression, and machine learning (ML) modeling. RESULTS: During the 2-year period, 6,689 oncology patients visited the ED (N = 13,415 visits). A total of 62.1% of visits were classified as PPEDs. PPEDs were most common among patients with stage I to III breast cancer and those on systemic therapy. Characteristics of patients at high risk for non-PPEDs included stage IV disease with either lung or GI carcinomas and shorter distances to the ED. The highest-performing ML model yielded an AUC of 0.819. CONCLUSION: Our novel definition of PPEDs appears promising in identifying oncology patients who could avoid the ED with targeted interventions. This work demonstrated that patients with early-stage disease, those with breast cancer, and those on systemic therapy are at the highest risk for PPEDs and may benefit from proactive interventions to avoid the ED. Although our definition requires validation, using ML models for more robust predictive modeling appears promising.
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.
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 | 0,000 |
| 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) | 0,001 | 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 découle