Die demografischen und klinischen Merkmale von Patienten mit Schlaganfall mit Häuslicherinladung wurden zuerst mit den Entladungs-Gegenstücken der Einrichtung verglichen, die Pearson 2 verwendet. Um unser Vorhersagewerkzeug zu entwickeln, haben wir den gesamten Datensatz in eine Ableitungskohorte und eine Validierungskohorte unterteilt. Die Ableitungskohorte bestand aus Aufzeichnungen von Patienten mit Schlaganfall, die von 2010 bis 2013 ins Krankenhaus eingeliefert wurden, und die Validierungskohorte bestand aus Aufzeichnungen von Patienten mit Schlaganfall, die 2014 ins Krankenhaus eingeliefert wurden. Basierend auf der Ableitungskohorte wurde eine logistische Regression durchgeführt, um die Quotenverhältnisse (ORs) der Patientenmerkmale im Zusammenhang mit der Entlastung der Einrichtung zu schätzen. Sowohl unbereinigte als auch bereinigte OEr mit 95 % Konfidenzintervallen (CIs) wurden berücksichtigt. Als nächstes wurden Koeffizienten aus der multivariablen logistischen Regression im Zusammenhang mit bereinigten ORs verwendet, um Risikobewertungen abzuleiten.21,22 Ein Gesamtrisiko-Score wurde für jeden Patienten berechnet, indem entsprechende Risikobewertungen addiert wurden.21,22 Nach der logistischen Funktion wurde die vorhergesagte Wahrscheinlichkeit der Entlastung der Anlage für jeden Gesamtrisikoscore angegeben und mit dem beobachteten Gegenwert verglichen. Schließlich wurde ein einfach zu bedienendes Vorhersagewerkzeug entwickelt, indem der Gesamtrisiko-Score verwendet wurde, um den Zustand der Krankenhausentlassungsdisposition jedes Patienten mit Schlaganfall vorherzusagen. Wir bewerteten die Leistung eines solchen Vorhersagewerkzeugs anhand der Empfänger-Betriebskennlinie (ROC) und der Fläche unter einer ROC-Kurve (AUC) mit 95% CI. Alle statistischen Analysen wurden mit Python Version 2.7.12 (Python Software Foundation, Wilmington, DE) durchgeführt. Das institutionelle Review Board der University of Tennessee in Chattanooga genehmigte dieses Forschungsprojekt. Ein Review-Artikel zeigte, dass die Verwendung eines schnell assessment-Modells die Gesamtreisezeit der Patienten im ED reduziert. Dieser Review-Artikel zeigte auch, dass die Zeit, die Patienten benötigt werden, um von einem Arzt gesehen zu werden, reduziert wird, wenn ein Schnellbewertungsmodell verwendet wird [27]. ICD-9-Codes für die vergangenheitsgemäße Krankengeschichte (PMH) wurden mit der Clinical Classification Software (CCS) der Agentur für Gesundheitsforschung und -qualität (AHRQ) 281 klinisch sinnvollen Kategorien zugeordnet, so dass jede CCS-Kategorie zu einer binären Variable mit dem Wert 1 wurde, wenn die PMH des Patienten einen oder mehrere ICD-9-Codes enthielt, die zu dieser Kategorie und 0 andernfalls gehörten.

Unser Ziel war es daher, ein einfaches Prädiktionsinstrument zur Bestimmung des Zustands der Krankenhausentlassung unter Verwendung leicht verfügbarer Patientenmerkmale (Geschlecht, Alter, Rasse, Schlaganfalltyp, Komorbidität, Zulassungsquelle, primäre Zahlerklasse und Sekundärzahlerklasse) zum Zeitpunkt der Präsentation eines Patienten mit akuten Schlaganfallsymptomen zu entwickeln und zu validieren. Um unser Ziel zu erreichen, haben wir die Zuordnung von Patientenmerkmalen mit dem Zustand der Krankenhausentlassung auf der Grundlage der Daten bewertet, die vom Tennessee Department of Health über das Hospital Discharge Data System zur Verfügung gestellt wurden.

ludovic
Die demografischen und klinischen Merkmale von Patienten mit Schlaganfall mit Häuslicherinladung wurden zuerst mit den Entladungs-Gegenstücken der Einrichtung verglichen, die Pearson 2 verwendet. Um unser Vorhersagewerkzeug zu entwickeln, haben wir den gesamten Datensatz in eine Ableitungskohorte und eine Validierungskohorte unterteilt. Die Ableitungskohorte bestand aus Aufzeichnungen von Patienten mit Schlaganfall,...