Development of a Predictive Model for Frailty Utilizing Electronic Health Records
Notice bibliographique
Résumé
Frailty is a multifaceted, geriatric syndrome that is associated with age-related declines in functional reserves resulting in increased risks of in-hospital death, readmissions and discharge to nursing homes. The risks associated with frailty highlights the need for providers to be able to quickly, and accurately, assess someone’s frailty level. Previous studies have shown that bedside clinician assessment is not a reliable or valid way to determine frailty, meaning that a more reliable, valid and concise method is needed. We developed a prediction model using discharge ICD-9/ICD-10 diagnostic codes and other demographic variables to predict Reported Edmonton Frail Scale scores. Participants were from the Baystate Frailty Study, a prospective cohort design study among elderly patients greater than 65 years old who were admitted to a single academic medical center between 2014 and 2016. Three different predictive models were completed utilizing the LASSO approach. The adjusted r-square increased across the three models indicating an increase in the predictive ability of the models. In this study of 762 hospitalized patients over the age of 65 years old, we found that a frailty prediction model that included ICD codes only had a poor prediction ability (adjusted r-square=0.10). The prediction ability improved 2-fold after adding demographic information, a comorbidity score and interaction terms (adjusted r-square=0.26). This study provided additional insights into the development of an automatic frailty assessment, something which is currently missing from clinical care.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».