Can administrative healthcare data be used to predict post-discharge emergency room visits in seniors with colon cancer?
Bibliographic record
Abstract
Contexte: L'évaluation gériatrique globale (CGA) est une évaluation approfondie multidimensionnel qui peut être utilisé pour évaluer et estimer l'espérance de vie, risque de morbidité et l'âge physiologique des patients âgés cancereux. Mais, la réalisation d'une CGA exige beaucoup de ressources. Elle est non spécifiquement dirigée pour l'évaluation des patients cancéreux et ne prend en considération la conséquence des événements médicaux passés. Objectifs : Nous voulions déterminer si des éléments à risques concernant l'âge, y compris la CGA ainsi que les différents usages des systèmes médicaux pourraient être évalués pour ceux de ≥ 65 ans qui ont subis la chirurgie du cancer du colon entre 2000 à 2006 en utilisant les données administratives des services de santé. On a aussi cherché à savoir si des liens existent entre ces facteurs des risque objectif et des événements suivant la d'échange des visites postopératoires (PERVs).Méthodes : On a d'abord entrepris une revue systématique en utilisant MEDLINE, CINAHL, EMBASE et CANCERLIT pour identifier les domaines CGA les plus prédictifs d'effets indésirables liés au cancer, notamment la toxicité liée au traitement, la mortalité et les complications postopératoires. Les études publiées en anglais ou en français, entre mai 1997 et mai 2012, dans lesquelles un CGA a été menée chez des patients ≥ 65 ans commencent le traitement du cancer, ont été évalués pour l'admissibilité et dont 9 études ont été choisis pour cette revue. Puis, on a mené une étude d'ensemble historique en utilisant les données administratives de la santé, y compris les réclamations permises par l'assurance de santé du Québec (RAMQ) et les données d'hospitalisation pour identifier ceux de ≥ 65 ans qui ont subi la chirurgie du cancer du colon (2000-2006). L'utilisation d'une année d'histoire médicale passée, les codes diagnostiques (ICD-9) et ceux de médicaments génériques ont servi à mieux comprendre l'histoire de comorbidités. On a aussi utilisé les mêmes données pour cerner les tendances passées de l'utilisation des soins. Une régression logistique multiple a été utilisée pour mesurer les facteurs de risque de visites à l'urgence survenant dans les 30 jours après la sortie de l'hôpital. Résultats: Les résultats de notre étude ont indiqué que, le plus souvent, les domaines suivants ont été rapportés pour prédire la mortalité : l'état nutritionnel, la présence de syndromes gériatriques tels que la dépression et l'état fonctionnel. Concernant la toxicité liée à la chimiothérapie, l'état fonctionnel et la présence de syndromes gériatriques comme les troubles de l'audition, avaient une valeur prédictive importante. Une seule étude est publiée sur l'incidence des complications postopératoires dont la comorbidité sévère a été jugée associée à des complications graves, tandis que l'état fonctionnel a été trouvé significativement lié à aucune complication. 3789 patients ont été inclus dans notre étude, dont 17.18% ont fait une visite à la salle d'urgence. Les résultats de la régression logistique multiples ont indiqué que certains domaines CGA étaient prédictifs de PERV. Plus précisément, ceux qui ont récemment reçu des soins pour le diabète ou les maladies cardiovasculaires avaient une plus grande probabilité de faire un PERV. Aussi, les individus avec une forte consommation de médicaments uniques dans les six mois précédant la chirurgie étaient les plus susceptibles de faire un PERV. En plus, les patients qui avaient visité la salle d'urgence, et ceux qui ont fait la même chose dans les 30 jours précédant la chirurgie pour des symptômes liés au cancer du côlon étaient plus susceptibles d'avoir besoin d'un PERV. Conclusions : Certaines facteurs de risque spécifiques à l'âge et les habitudes passées d'utilisation des soins de santé peuvent prédire PERV. Ceci a des implications importantes dans le développement des méthodes et autres outils électroniques.
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 | 0.014 | 0.140 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.015 | 0.025 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".