MétaCan
Menu
Retour à la cohorte
Enregistrement W4416499996 · doi:10.1302/1358-992x.2025.14.036

HIP FRACTURE SURGERY: WHO SHOULD GO FIRST? A PERSONALIZED MEDICINE TOOL

2025· article· en· W4416499996 sur OpenAlexaffabout
Pierre Guy, Lisa Kuramoto, Mary Dunbar, Boris Sobolev

Notice bibliographique

RevueOrthopaedic Proceedings · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueHip and Femur Fractures
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésHip fractureCohortCounterfactual thinkingSelection (genetic algorithm)MEDLINEReduction (mathematics)

Résumé

récupéré en direct d'OpenAlex

In a resource limited environment, clinicians need to prioritize care. Identifying who would most benefit from care, specifically early care, could inform this decision. We introduce a new way to identify patients who will benefit the most when deciding who should be treated first, in hip fracture cases where timing of surgery matters. We assess the probability that the surgery timing is a necessary and sufficient cause for reduction of in-hospital mortality. This approach, Unit Selection based on counterfactual logic developed by Mueller and Pearl, provides a deeper understanding of individual benefits compared to traditional risk assessment tools. We studied hospital records of patient undergoing hip fracture in Canada over 8 years, using the CIHI Discharge Abstract Database. First, we compared the effect of having surgery within two days to waiting longer on 64 groups (strata) of patients with different health, age, hospital, and care factors. Using a Unit Selection approach, we estimated the probability of benefit (decreased probability of mortality), or how likely each group was to benefit from early surgery. We measured the benefit for each person by comparing their potential outcomes after early and delayed surgery. In a cohort of 139,119 patients (74.3% women, 45.8% 85 years or older, 67% receiving early surgery -within 2 days), the average effect showed 8 fewer deaths per 1,000 surgeries when treatment was received early, within 2 days. In 14 out of 64 groups there was a much greater benefit from early surgery than the stated average: with their upper bound ranging from 7% to 15%. We identified Pre-hospital place of residence, Age, Type of Surgery (arthroplasty vs fixation) and Care environment (teaching vs community hospital), as important factors that define the population that may benefit from early surgery (Fig 1) Measuring probability of benefit using the Unit Selection method helped identify “who should go first” by looking at how likely it is that an individual patient benefit from early surgery. We created a Personalized Decision Making Tool that compares the individual-level benefit in different groups based on their clinical and care factors. This could assist doctors in determining which patients should receive hip fracture surgery first when prioritization is necessary. For any figures or tables, please contact the authors directly.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,372
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,290
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOrthopaedic ProceedingsMême sujetHip and Femur FracturesTravaux en français237 207