Association of Fall-Related Injuries and Different Diagnoses in Older Adults of Ontario: A Machine Learning Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Falls are the leading cause of injury-related hospitalizations among older adults in Canada. This study aimed to identify the most informative diagnostic categories associated with fall-related injuries (FRIs) using three machine learning algorithms: decision tree, random forest, and extreme gradient boosting tree (XGBoost). Secondary data from two Ontario health administrative databases (NACRS, DAD) covering the period 2006-2015 were analyzed. Older adults (aged ≥ 65 years) who sought treatment for FRIs in emergency departments (ED) or hospitals, as indicated by Canadian version of the 10th revision of the International Statistical Classification of Diseases and Related Health Problems (ICD-10-CA) codes for falls and injuries, were included in the study. Accuracy, sensitivity, specificity, precision, and F1 score measures were calculated for each model. A total of 631,339 ED admissions and 304,495 hospitalizations were recorded due to FRIs. The random forest model demonstrated the highest sensitivity and accuracy in both datasets. Dyspnea and secondary malignant neoplasm of liver and intrahepatic bile duct were the most informative ICD-10-CA code and disease for FRIs among older adults admitted to ED and hospitals. These findings indicate that machine learning models can also be used to study FRIs as they are capable of handling large datasets and providing a better than 60% accuracy. Also, diagnostic categories linked to FRIs have a potential to enhance healthcare providers ‘ability to prevent FRIs in the future.
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.
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 découle