Can laboratory test-based frailty indices contribute to frailty screening in emergency departments?
Notice bibliographique
Résumé
BACKGROUND: Laboratory-based frailty indices (FI-Labs) offer potential adjuncts and alternatives to clinical assessments. Still, their optimal configuration and construct validity compared with nurse-assessed Clinical Frailty Scale (CFS) scores remain unclear. METHODS: In this retrospective cohort study, we evaluated five FI-Lab configurations against nurse-assessed CFS scores using data from 74 493 emergency department visits. We examined their association with clinical outcomes and assessed measurement reliability using mixed effects models. RESULTS: While nurse assessments demonstrated superior outcome discrimination (c-statistic 0.726 for 90-day mortality versus 0.718 for best FI-Lab), automated FI-Lab measures showed significantly greater between-visit reliability [intraclass correlation coefficient (ICC) = 0.51-0.76 versus 0.37 for nurse CFS]. The drug-adjusted FI-Lab demonstrated highest reliability (ICC = 0.76) but weaker age associations (β = 0.002, P = .08) compared to other configurations (β = 0.006-0.013, P < .001). In complex models adjusting for illness severity, nurse CFS scores showed stronger mortality associations (HR 1.55, 95% CI 1.45-1.66 per standard deviation) compared to FI-Lab configurations (HR range 1.19-1.29). Notably, all frailty measures showed effect sizes comparable to age (HR range 1.37-1.55 per SD). CONCLUSIONS: Automated FI-Lab measures offer a reliability advantage over nurse-assessed CFS scores despite slightly lower predictive validity for mortality. Their comparable effect sizes to age suggest these automated measures capture clinically meaningful patient characteristics. This trade-off between reliability and predictive validity suggests that integrated approaches combining automated screening with targeted clinical assessment may provide optimal frailty identification in emergency settings.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».