Classifying Patient Characteristics and Determining a Predictor in Acute Stroke Patients: Application of Latent Class Analysis in Rehabilitation Practice
Notice bibliographique
Résumé
Background/Objectives: Predicting comprehensive patient characteristics is essential for optimal individualized rehabilitation plans for acute stroke patients. However, current models primarily predict single outcomes. This study aimed to assess the applicability of latent class analysis (LCA) in rehabilitation practice by identifying comprehensive characteristics and associated predictors in acute stroke patients. Methods: We conducted a retrospective observational study using the Japan Association of Rehabilitation Database, including 10,270 stroke patients admitted to 37 acute-care hospitals between January 2005 and March 2016. Patients were classified using LCA based on outcomes at discharge, including Functional Independence Measure (FIM), National Institutes of Health Stroke Scale (NIHSS) subscales for upper-extremity function, length of hospitalization, and discharge destination. Predictor variables at admission included age, FIM scores, NIHSS subscales for upper-extremity function, stroke type, and daily rehabilitation volume. Results: 6881 patients were classified into nine distinct classes (class size: 4–29%). Class 1, representing the mildest cases, was noted for independent ambulation and good upper limb function. Class 2 comprised those with the most severe clinical outcome. Other classes exhibited a gradient of severity, commonly encountered in clinical practice. For instance, Class 7 included right-sided paralysis with preserved motor activities of daily living (ADLs) and modified dependence in cognitive functions, such as communication. All predictors at admission were significantly associated with class membership at discharge (p < 0.001). Conclusions: LCA effectively identified unique clinical subgroups among acute stroke patients and demonstrated that key admission variables could predict class membership. This approach offers a promising insight into targeted, personalized rehabilitation practice for acute stroke patients.
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 | 0,010 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».