Prédiction de mortalité et prise de décision clinique : vers des soins centrés sur le patient
Bibliographic record
Abstract
Contexte : Les modèles de prédiction de la mortalité jouent un rôle essentiel dans les soins de santé, guidant la prise de décision et améliorant les résultats pour les patients. Bien que les modèles généraux offrent une large applicabilité, leur précision dans divers sous-groupes reste incertaine. Objectif : Cette étude visait à évaluer la performance d'un modèle général de prédiction de la mortalité lorsqu'il est appliqué à divers sous-groupes en utilisant les données de l’Étude longitudinale canadienne sur le vieillissement (ÉLCV). Méthodes : Nous avons analysé les données de 49 266 participants. Un modèle de Cox avec LASSO a été utilisé pour développer le modèle et pour la sélection des variables. La performance du modèle a été évaluée à l'aide de mesures de discrimination (c-index), de calibration (graphe de calibration) et de performance globale (Brier score). Les sous-groupes ont été définis par l'âge, la fragilité, la multimorbidité, la fonction cognitive et l'indépendance fonctionnelle, avec une évaluation de la performance du modèle dans chaque sous-groupe. Résultats : Le modèle général de prédiction de la mortalité a montré une forte performance dans la cohorte globale. Cependant, la performance variait selon les sous-groupes. Notamment, le modèle avait tendance à sous-estimer le risque chez les individus fragiles, ceux présentant une déficience cognitive ou des conditions chroniques multiples. Conclusion : Nos résultats révèlent une variabilité importante de la performance d'un modèle général de prédiction de la mortalité entre différents sous-groupes, mettant en évidence les limites d'une approche unique en matière de prédiction du risque de mortalité. L'étude souligne la nécessité de modèles personnalisés qui prennent en compte les nuances au sein de cohortes de patients spécifiques, afin d'améliorer la précision et l'équité des prédictions. Cette recherche ouvre la voie à des avancées dans la modélisation prédictive, cruciales pour la réalisation de la prise en charge personnalisée dans le contexte d'une population vieillissante aux profils de santé complexes.
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 | 0.011 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".