What can we learn from 68 000 clinical frailty scale scores? Evaluating the utility of frailty assessment in emergency departments
Notice bibliographique
Résumé
BACKGROUND: Emergency departments (EDs) in England are under significant strain, with increasing attendances and extended wait times, affecting frail older adults. The clinical frailty scale (CFS) has been implemented as a tool to assess frailty in ED settings, but its reliability and predictive accuracy as a screening tool remain debated. OBJECTIVE: To evaluate the use and variability of the CFS in EDs and its association with patient outcomes, including discharge rates, length of stay, readmission and mortality. METHODS: A retrospective cohort study of ED attendances at two London (UK) hospitals from 2017 to 2021. Data included CFS scores, demographics, clinical observations and outcomes. Comparative statistics, logistic regression, Cox proportional hazards models and competing risk regression were applied to examine CFS predictive validity. RESULTS: In a sample of 123 324 ED visits, CFS scores strongly correlated with adverse outcomes: e.g. for long-term mortality (n = 33 475, events = 8871), each CFS single-point increase was associated with a 25% increase in mortality risk (95% CI 1.23-1.26). CFS scores varied significantly between raters and across visits, median difference two levels (interquartile range 1-3). Intraclass correlation coefficient analysis showed that 33.1% of CFS score differences was attributable to between-patient differences, 15.4% to inter-rater differences, with 51.5% residual variance from non-frailty factors, such as acute illness severity. CONCLUSION: The CFS is associated with crucial patient outcomes in the ED. Inter-rater variability and potentially confounding factors can limit its consistency. Automation to enhance CFS score reliability should be explored as a means to support proactive management.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».