Adverse Events in Home Care: Identifying and Responding with interRAI Scales and Clinical Assessment Protocols
Bibliographic record
Abstract
RÉSUMÉ Les conséquences associées aux événements indésirables dans les soins à domicile sont variées et multifactorielles. La présente étude visait à tester un système d’évaluation joignant deux outils de mesures dans le but d’identifier les bénéficiaires de soins à domicile dont le risque de placement dans un établissement de soins de longue durée ou de décès dans l’année suivante est plus élevé. Les deux outils de mesure sont tirés du Système d’évaluation d’interRAI (Resident Assessment Instrument-Home Care; RAI-HC), un outil d’évaluation standardisé et détaillé. Les personnes présentant des scores élevés à l’algorithme de la Méthode d’attribution des niveaux de priorité (Method for Assigning Priority Levels; MAPLe) et à l’Échelle de mesure des changements de l’état de santé, des maladies en phase terminale, des signes et des symptômes (Changes in Health, End-stage disease, Signs and Symptoms; CHESS) étaient plus à risque de placement ou de décès, et leur risque de subir ces événements plus tôt comparativement aux autres patients était plus que doublé. Le groupe cible était aussi plus susceptible de présenter des problèmes d’humeur et de relations sociales, et leurs aidants risquaient davantage de souffrir de détresse, ce qui indiquerait que ces personnes et leurs aidants pourraient avoir besoin de soins de santé mentale et d’interventions psychosociales, en plus des soins médicaux et des services de soutien personnels. Les agences de soins à domicile pourraient utiliser ce système d’évaluation pour identifier les patients en soins prolongés à la maison chez qui une approche de soins coordonnés plus intensive serait nécessaire pour mieux atténuer et gérer les risques liés à leur condition.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.119 | 0.205 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".