advertisement

Group Info

cartier love bracelet with diamonds price

Concevoir des modèles bayésiens, connus sous le nom d'histoires intelligentes, utilisés pour prédire le risque d'un patient de recevoir un futur diagnostic d'abus, basé sur l'historique diagnostique du patient. Évaluation rétrospective des prédictions du modèle à l'aide d'un ensemble d'analyses indépendantes. Mise en place d'une base de données sur les sinistres à l'échelle de l'état couvrant six années d'hospitalisation à l'hôpital, admissions aux fins d'observation et rencontres dans les services d'urgences.Population Tous les patients âgés de plus de 18 ans ayant au moins quatre (561216 patients). Mesure des résultats immédiats La rapidité de détection, la sensibilité, la spécificité, les valeurs prédictives positives et la superficie sous la courbe ROC. Les résultats 1,04% (5829) des patients ont répondu aux critères étroits La définition de cas pour abus, tandis que 3,44% (19303) répondent à la définition plus large de cas pour abus.Le modèle obtenu sensible, spécifique (zone sous la courbe ROC de 0,88), et précoce (10 30 mois à l'avance, en moyenne) «Risque futur de recevoir un diagnostic d'abus. L'analyse des paramètres du modèle a montré des différences importantes entre les sexes dans les risques associés à certains diagnostics.Conclusions Les données de diagnostic longitudinales communément disponibles peuvent être utiles pour prédire le risque futur d'un patient de recevoir un diagnostic d'abus.Cette approche de modélisation pourrait servir de base pour Un système d'alerte précoce pour aider les médecins à identifier les patients à risque élevé pour un dépistage plus poussé.Introduction Malgré l'importance critique des données historiques dans la prise de décision médicale1 2 3 et le nombre croissant de données longitudinales disponibles dans les systèmes de dossiers médicaux électroniques, Les ressources permettant d'accéder, d'absorber et de revoir de façon fiable toute l'information dont ils disposent au cours de brèves consultations.4 5 6 7 Même avec un temps et des ressources illimités, l'assimilation de toute l'information disponible est une tâche difficile. L'urgence 'où la visite d'un médecin patient permet de traiter uniquement des situations aiguës plutôt que d'optimiser les soins de longue durée.8 Par conséquent, une grande partie de l'information électronique sur la santé pourrait ne pas être correctement interprétée, utilisée ou même accessible, Potentiels diagnostics manqués de certaines conditions cliniques.Une de ces conditions est la violence domestique, 9 10 11 qui est souvent difficile à diagnostiquer d'une seule rencontre et peut ne pas être reconnu pour de longues périodes de temps, car il est masqué par des conditions aiguës qui constituent la base de la clinique En général, après un diagnostic d'abus, un examen rétrospectif de l'enregistrement longitudinal révèle un profil discernable de diagnostics suggestifs d'abus. La violence domestique est la cause la plus fréquente de blessures non mortelles aux femmes aux États-Unis9 et représente plus de la moitié des meurtres de femmes chaque année15. Elle touche les femmes et les hommes et concerne jusqu'à 16% des couples américains par an, 16 avec Des estimations de la prévalence à vie pouvant atteindre 54% 11 et un risque de blessure à vie aussi élevé que 22% .9 Comme les abus non détectés peuvent entraîner des blessures graves et des décès, il est essentiel que les personnes à risque soient identifiées le plus tôt possible12. 18Les études ont montré que le dépistage des cas d'abus domestiques, accompagné d'un suivi adéquat 14, 19 20 peut être bénéfique pour la détection précoce, le traitement et la prévention de la violence future et porte peu ou pas d'effets indésirables.12 14 17 21 22 Par exemple, 448 (84%) ont accepté de parler à un avocat, 234 (54%) ont accepté le suivi de la gestion des cas et 115 (49%) ont déclaré ne plus Ont estimé qu'elles risquaient d'être victimes de violence de la part de leur agresseur trois à six semaines plus tard22. Des études ont également montré que les maltraitants et les maltraités préféraient le dépistage systématique.12 23 24 Par conséquent, l'American Medical Association et la Joint Commission on Accreditation of Les organisations de santé (JCAHO) ont recommandé le dépistage systématique des sévices domestiques dans le milieu de la santé.11 14 25 Un rapport récent de la BMA (British Medical Association) a exhorté les médecins et les professionnels de la santé à être plus vigilants pour les signes de violence domestique. Ne font pas appel à un dépistage universel27, beaucoup insistent encore sur l'importance de l'identification et du dépistage des patients à haut risque.28L'épreuve de la violence familiale est particulièrement importante dans le service d'urgence, où les victimes sont le plus souvent rencontrées.29 Une étude de trois ans a révélé que plus de 80% Des cas de violence domestique signalés au service des urgences, les visites ayant eu tendance à atteindre leur point culminant au cours du mois de l'incident30 cartier love bracelet for sale. La prévalence globale de la violence familiale chez les patients qui se présentent au service des urgences est d'environ 2 7,2% 21. De l'accès limité aux services de soins de santé traditionnels, de la réticence ou de l'incapacité de discuter du sujet avec leur propre médecin, de l'embarras ou de l'incapacité de les présenter aux services sociaux en dehors du service des urgences11. En dépit des preuves croissantes et des recommandations officielles, les taux réels de dépistage demeurent faibles dans la pratique, ce qui a entraîné de nombreux cas manqués d'abus, avec seulement 5 30% des cas domestiques McLeer et coll. Décrivent une «défaillance des systèmes» dans la protection des malades maltraités, ce qui laisse beaucoup de ceux qui passent par les services d'urgence non identifiés et non traités35. En plus des faibles taux de dépistage, les obstacles Les cliniciens ont eu des contacts limités avec les patients maltraités, ils ont mis l'accent sur les conditions aiguës plutôt que sur les problèmes à long terme, le manque de formation spéciale pour reconnaître les mauvais traitements, la peur d'offenser le patient et le manque de ressources, de personnel et Les obstacles liés au patient comprennent la réticence à parler, le manque de sensibilisation au rôle du prestataire, les préoccupations en matière de confidentialité et les tentatives des patients et d'autres personnes de dissimuler des abus en offrant des histoires orales trompeuses au Le moment de la rencontre.11 14 37Les outils de criblage et les systèmes de notation développés pour aider les médecins à détecter la violence domestique, 11 18 21 38 que ce soit sous forme papier 21 ou par le biais de dépistage informatisé, 38 sont de plus en plus fréquents. Certains de ces outils utilisent des indicateurs cliniques tels que la nature et le site anatomique de la blessure, mais ceux-ci ont une valeur prédictive limitée.39 La plus grande limitation des approches actuelles de dépistage est qu'ils s'appuient sur l'information recueillie auprès du patient pendant la rencontre clinique actuelle et ne Nous avons évalué l'utilité de l'information médicale longitudinale couramment disponible pour prédire le risque d'un patient de recevoir un futur diagnostic d'abus.Nous avons développé des histoires intelligentes modèles bayésiens visant à prédire Le risque qu'une personne reçoive un diagnostic futur fondé sur l'historique diagnostique de cette personne. Notre approche de modélisation pourrait servir de base à un système d'alerte précoce qui surveillerait les données longitudinales sur la santé pour les indicateurs à long terme de risque d'abus et alerterait les cliniciens lorsque les patients à haut risque identifié. Comme première étape vers cet objectif, nous décrivons un prototype de visualisation du risque que nous développons afin de fournir aux cliniciens une vue d'ensemble instantanée des antécédents médicaux longitudinaux et des profils de risque connexes au niveau des soins. En conjonction avec les alertes pour les patients à haut risque, cela pourrait permettre aux cliniciens de passer rapidement en revue et d'agir sur toutes les informations historiques disponibles en identifiant les facteurs de risque importants et les tendances à long terme.MethodsDataWe analyse historique longitudinal des patients âgés de plus de 18 ans qui avait au moins quatre ans entre Leurs diagnostics les plus anciens et les plus récents enregistrés dans une base de données anonyme sur les revendications territoriales couvrant six années d'admissions à l'hôpital cartier gold love bracelet, des séjours dans les hôpitaux pour observation et des rencontres avec les services d'urgence. Quelque 561216 patients ont répondu aux critères d'inclusion, avec un total de 16785977 diagnostics parmi eux. Les cas d'abus ont été identifiés selon les codes diagnostiques de la CIM 9 (classification internationale des maladies, neuvième révision), en utilisant deux définitions de cas différentes. La première définition de cas étroit comprenait tous les codes qui faisaient explicitement référence à l'abus (tableau 1). La deuxième définition, plus large, comprenait les codes ci-dessus, plus les codes associés aux agressions intentionnelles et aux blessures (tableau 2). Des définitions de cas semblables basées sur les codes de la CIM 9 ont été précédemment validées comme capturant plus de 95% des cas de blessures intentionnelles.Tableau 1 Codes de la CIM 9 liés à la maltraitance comprenant une définition de cas étroiteVoir ce tableau: View popupView inlineIn total, 5829 patients (1,04% Avec 511659 diagnostics parmi eux (moyenne de 87,8 diagnostics par patient) et 555387 patients ne répondent pas à la définition de cas plus étroite, avec 16774318 diagnostics parmi eux (moyenne de 30 


cartier love bracelet with diamonds price,2 diagnostics par patient). Quelque 19303 patients (3,44%) ont répondu à la définition de cas plus large, avec 1156325 diagnostics parmi eux (moyenne de 59,9 diagnostics par patient) et 541913 patients ne répondent pas à la définition de cas plus large, avec 15629652 diagnostics parmi eux (moyenne de 28,8 diagnostics par patient Nous avons utilisé des classificateurs bayésiens naïfs41, une méthode de modélisation établie qui suppose l'indépendance entre les différentes caractéristiques (diagnostics et autres variables) ) Pour classer les cas (patients) en différentes classes (faible ou élevé risque de recevoir un futur diagnostic d'abus). En résumé, les patients répondant aux critères d'inclusion ont été assignés au hasard à un ensemble d'entraînement utilisé pour former le modèle (deux tiers) Nous avons formé des modèles distincts pour les hommes et les femmes. Après la formation, nous avons calculé un «score de risque partiel» pour chaque diagnostic, plus le score partiel Score de risque, plus le diagnostic était prédictif d'abus. En plus des diagnostics, le modèle a également intégré le nombre moyen de visites par année enregistrées pour le patient au cours de la période d'étude. Ce nombre moyen de visites, v, a été classé dans l'un des six groupes: v1, 110 et un score de risque partiel a été calculé pour chaque groupe. Validation du modèle Nous avons utilisé l'ensemble de tests contenant le tiers restant des patients pour valider le modèle . Le modèle a été appliqué rétrospectivement aux antécédents diagnostiques de chaque patient dans l'ensemble de tests, en analysant les données pour chaque patient une visite à la fois dans l'ordre chronologique et en générant un «score de risque global» pour le patient au moment de chaque nouvelle visite Sur la somme de tous les scores partiels de risque pour ce patient. Ces scores globaux de risque ont été interprétés avec des seuils empiriques déterminés en fonction des niveaux de spécificité souhaités et les niveaux de sensibilité et de ponctualité correspondants ont été mesurés. Pour mesurer systématiquement le compromis réel entre différents niveaux de sensibilité et de spécificité dans l'ensemble d'essais, les seuils ont été fixés avec l'ensemble d'essais. Dans un contexte opérationnel, les utilisateurs peuvent définir des seuils à l'avance en fonction de l'ensemble de formation. Dans ce cas, les différences entre les données d'essai et de formation pourraient mener à une différence entre les niveaux de spécificité souhaités et les niveaux de spécificité réelle atteint. Résultats Résultats du modèle En prédisant le risque de patients recevant des diagnostics d'abus futurs, De 0,88 pour la définition de cas plus étroite et de 0,82 pour la définition de cas plus large. La figure 1 montre la sensibilité par rapport au taux de fausses alarmes. Le tableau 3 montre les performances obtenues par les modèles à différentes spécificités de référence avec les définitions de cas plus étroites et plus larges. Comme on pouvait s'y attendre, la prévalence relativement faible du diagnostic d'abus en pourcentage de tous les patients dans l'ensemble de données a donné une valeur prédictive positive faible, selon le niveau de spécificité choisi. La valeur prédictive positive était plus élevée pour la définition de cas plus large, où les cas étaient relativement plus fréquents. La courbe ROC tronquée montre la sensibilité (avec des intervalles de confiance de 95%) obtenue par modèle à différents taux de fausses alarmes de référence (1) (Voir tableau 1) qu'avec une définition de cas plus large (voir tableau 2) Figure 1 Courbe ROC tronquée montrant la sensibilité (avec des intervalles de confiance à 95%) obtenue par modèle à différents taux de fausses alarmes de référence (1 spécificité). (Voir tableau 1) que dans le cas d'une définition de cas plus large (voir le tableau 2). Le modèle a permis de détecter des niveaux élevés de risque d'abus bien avant le premier diagnostic d'abus enregistré dans le système (fig. Moyenne de 10 30 mois à l'avance, en fonction du niveau de spécificité choisi.Fig 2 Temps moyen en jours (avec des intervalles de confiance à 95%) à partir de la détection initiale du risque élevé d'abus jusqu'au premier diagnostic d'abus enregistré dans l'ensemble de données, Et des définitions de cas larges. Le tracé inclut uniquement les cas d'abus détectés. Le modèle détecte le risque en moyenne 10 30 mois avant le premier diagnostic, en fonction des niveaux de spécificité souhaités (indiqués sur l'échelle logarithmique pour plus de clarté). À des niveaux élevés de spécificité, moins de cas sont détectés, ce qui entraîne des intervalles de confiance plus importants

Users

Newsfeed

advertisement