Development and validation of a clinical prediction model for hospitalization after emergency department admission in patients with cancer
Notice bibliographique
Résumé
Background and purpose Emergency department (ED) admissions by cancer patients often result in hospitalization and prolonged ED stays, contributing to overcrowding. Early identification of patients at risk of hospitalization could improve ED flow and ensure timely provision of oncological care. This study aimed to develop and validate models to predict hospitalization among cancer patients admitted to the ED. Methods Adult cancer patients who were admitted to the ED between 1 July 2018 and 30 September 2020 at the Erasmus University Medical Center were included. Data from electronic health records (EHR) were used to develop two logistic regression models: (i) a baseline model including predictors available after ED triage (e.g. patient characteristics, vital parameters) and (ii) an extended model including blood test results. Predictors were selected using the Wald χ 2 statistic. To prevent overfitting, a uniform shrinkage factor was applied. Model performance was assessed with temporal validation (1 October 2019 to 1 January 2020) and evaluated with calibration plots and C-statistics. Results Of 7284 ED admissions, 3967 (54%) resulted in hospitalization. The most common cancers requiring hospitalization were lung, hepatopancreatobiliary, and colorectal cancer. The baseline model included age, sex, primary malignancy, symptoms, metastasis, temperature, pain score, diastolic blood pressure, and heart rate. The model showed good calibration (intercept −0.04, slope 0.86) and discriminative ability [C-statistic 0.71, 95% confidence interval (CI) 0.68-0.74]. The extended model showed improved performance (intercept −0.09, slope 0.92; C-statistic 0.75, 95% CI 0.72-0.78). Conclusion Hospitalization risk of cancer patients admitted to the ED can be predicted using routinely collected EHR data, which could aid in optimizing ED patient flow and ensuring timely provision of oncological services.
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 | 0,000 | 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) | 0,000 | 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 ».