Development of a Prediction Model for Days at Home after Surgery in Patients Undergoing Elective Gastrointestinal Cancer Surgery
Notice bibliographique
Résumé
Days at home (DAH) after surgery is a novel outcome measure that captures time spent in multiple health care institutions after surgery. As a patient-centred measure it has potential as a tool for both research and quality initiatives, while also having the potential to improve patient readiness for surgery. We performed a population-based study of adults who underwent elective gastrointestinal (GI) cancer surgery between 2003 to 2021 in Ontario to (1) evaluate DAH as a quality and research measure, and (2) develop and internally validate a prediction model for DAH 90 days after GI cancer surgery. A total of 89,378 patients were included in the study cohort, with an overall median DAH-90 of 82 (IQR 77 - 85). Criterion validity of DAH-90 was demonstrated through both concurrent and predictive validity. After comparing four regression strategies, the prediction model was developed using quantile regression at the median. Internal validation was performed using bootstrap methods with 500 repetitions. The final optimism correct prediction metrics are as follows: calibration slope of 1.0, mean absolute error of 8.68, and g-index of 3.26. This model was developed using best practice guidelines and a pragmatic lens with plans for external validation before translation into a user-friendly online tool.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,001 | 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 ».