XiaoMi-AI文件搜索系统
World File Search System入院
职业抬举预测机场行李搬运工群体因腰痛入院的可能性
摘要 目的 研究以行李搬运工累计工作年限来衡量的职业搬运工作是否与首次住院诊断或治疗下背部疾病有关。方法 本研究基于 1990 年至 2012 年期间哥本哈根机场队列，该队列由每天搬运重物的男性行李搬运工和大哥本哈根地区的非技术男性组成。我们在国家病人登记和民事登记系统中跟踪了该队列，以获取有关诊断、手术、死亡率和迁移的信息。结果是首次住院诊断或手术的 (1) 腰椎间盘突出症或 (2) 下背部疼痛 (LBP)。结果 与参照组 (N = 65,702) 相比，行李搬运工 (N = 3473) 的 LBP 发病率较高，但腰椎间盘突出症的发病率不高。与工作时间较短的行李搬运工相比，工作时间较长的行李搬运工的 LBP 发病率更高。行李搬运工工作年限与腰痛的线性关系显著增加，行李搬运工工作年限每增加 5 年，腰痛发生率比为 1.16（95% CI 1.07–1.25）。结论在这项大型队列研究中，我们发现行李搬运工的腰痛发病率与参考组相比有所增加，表明工作年限与结果之间存在剂量反应关系。对于在停机坪上工作的行李搬运工来说，发病率尤其增加
癌症治疗变革中实体恶性肿瘤患者的 ICU 入院模式和结果
摘要背景：免疫疗法和靶向疗法等重大治疗进展正在改变肿瘤学的面貌，在改善预后的同时，也带来了新的毒性并发症。本研究旨在评估重症监护病房 (ICU) 入院趋势和实体恶性肿瘤危重患者的预后。我们进行了一项为期 12 年 (2007-2018 年) 的回顾性单中心研究，研究对象包括需要计划外 ICU 入院的实体恶性肿瘤成年患者。入院模式分为：(i) 如果与潜在癌症直接相关，则为特异性；(ii) 非特异性；(iii) 药物相关或程序不良事件。结果：共分析了 1525 名患者。肺和胃肠道是两个主要的肿瘤部位。转移性疾病患者的比例从 2007-2008 年的 48.6% 增加到 2017-2018 年的 60.2%（p=0.004）。危重病情越来越多地与药物或手术相关的不良事件有关，从 2007-2008 年 ICU 入院人数的 8.8% 增加到 2017-2018 年的 16%（p=0.01）。ICU 入院时的危重病情严重程度并没有随着时间的推移而改变。ICU 生存率为 77.4%，在研究期间没有任何显著变化。在 1279 名完成随访的患者中，1 年生存率为 33.2%。ICU 死亡率的独立决定因素是转移性疾病、治疗中进展的癌症、因特定并发症入院以及器官衰竭的程度（有创和无创通气、正性肌力药物/血管加压药、肾脏替代疗法和 SOFA 评分）。 ICU 幸存者的一年死亡率与肺癌、转移性疾病、治疗中进展的癌症、因特定并发症入院以及放弃维持生命的治疗的决定独立相关。结论：实体恶性肿瘤的管理和预后方面的进步大大改变了癌症患者的 ICU 入院模式。尽管潜在的恶性肿瘤是晚期且通常是转移性的，但令人鼓舞的短期和长期结果应该有助于改变危重癌症患者的悲观看法。关键词：实体瘤、ICU、结果、药物相关副作用
癌症治疗变革中实体恶性肿瘤患者的 ICU 入院模式和结果
摘要背景：免疫疗法和靶向疗法等重大治疗进展正在改变肿瘤学的面貌，在改善预后的同时，也带来了新的毒性并发症。本研究旨在评估重症监护病房 (ICU) 入院趋势和实体恶性肿瘤危重患者的预后。我们进行了一项为期 12 年 (2007-2018 年) 的回顾性单中心研究，研究对象包括需要计划外 ICU 入院的实体恶性肿瘤成年患者。入院模式分为：(i) 如果与潜在癌症直接相关，则为特异性；(ii) 非特异性；(iii) 药物相关或程序不良事件。结果：共分析了 1525 名患者。肺和胃肠道是两个主要的肿瘤部位。转移性疾病患者的比例从 2007-2008 年的 48.6% 增加到 2017-2018 年的 60.2%（p=0.004）。危重病情越来越多地与药物或手术相关的不良事件有关，从 2007-2008 年 ICU 入院人数的 8.8% 增加到 2017-2018 年的 16%（p=0.01）。ICU 入院时的危重病情严重程度并没有随着时间的推移而改变。ICU 生存率为 77.4%，在研究期间没有任何显著变化。在 1279 名完成随访的患者中，1 年生存率为 33.2%。ICU 死亡率的独立决定因素是转移性疾病、治疗中进展的癌症、因特定并发症入院以及器官衰竭的程度（有创和无创通气、正性肌力药物/血管加压药、肾脏替代疗法和 SOFA 评分）。 ICU 幸存者的一年死亡率与肺癌、转移性疾病、治疗中进展的癌症、因特定并发症入院以及放弃维持生命的治疗的决定独立相关。结论：实体恶性肿瘤的管理和预后方面的进步大大改变了癌症患者的 ICU 入院模式。尽管潜在的恶性肿瘤是晚期且通常是转移性的，但令人鼓舞的短期和长期结果应该有助于改变危重癌症患者的悲观看法。关键词：实体瘤、ICU、结果、药物相关副作用
评估30天医院再入院模型中的算法偏见：回顾性分析
背景：医疗保健中的预测算法的采用带来了算法偏见的潜力，这可能会加剧现有差异。公平指标来衡量算法偏见，但是它们在现实世界任务中的应用是有限的。目的：本研究旨在评估与常见的30天医院再入院模型相关的算法偏见，并评估所选公平度量标准的有用性和解释性。方法：我们在这项回顾性研究中使用了2016年至2019年从马里兰州和佛罗里达州的1060万名成人住院排放。评估了预测30天医院再入院的模型：蕾丝指数，改良的医院评分和改良的Medicare＆Medicaid服务中心（CMS）再入院措施，这些措施已应用于AS-IS（使用现有系数）并重新校准（用50％的数据重新校准）。对黑人和白人种群以及低收入和其他收入组之间的所有人的预测性能和偏差度量进行了评估。偏差度量包括假阴性率（FNR），假阳性率（FPR），0-1损失和广义熵指数的均等。以FNR代表的种族偏见和FPR差异进行了分层，以探索不同人群中算法偏见的变化。结果：再训练CMS模型证明了最佳的预测性能（曲线下的面积：马里兰州0.74，佛罗里达州0.68-0.70），改良的医院分数表现出最佳的校准（Brier得分：0.16-0.19在马里兰州，佛罗里达州0.19-0.21）。结论：在解释公平措施的面值时必须谨慎。校准在白色（与黑色）人群和其他收入（与低收入）组相比的校准更好，并且曲线下的面积在黑色（与白色）种群中更高或相似。培训CMS和改良的医院评分在马里兰州的种族和收入偏见最低。在佛罗里达州，这两种模式总体上的收入偏见最低，改良的医院评分表现出最低的种族偏见。在两个州，白人和高收入的人群均显示出更高的FNR，而黑人和低收入人群则导致FPR较高和更高的0-1损失。当通过医院和人口组成进行分层时，这些模型在不同的情况和人群中表现出异质算法偏见。更高的FNR或FPR可能会反映错过的机会或浪费资源，但是这些措施也可以反映医疗保健的使用模式和护理差距。仅仅依靠偏见的统计概念可能掩盖或低估了健康差异的原因。必须仔细考虑不完美的健康数据，分析框架和基础卫生系统。公平措施可以作为检测不同模型性能的有用常规评估，但不足以为机制或政策变化提供信息。但是，这种评估是朝着数据驱动的改进以解决现有健康差异的重要第一步。
COVID-19221年4月至2021年4月至荷兰的住院和ICU入院的疫苗有效性
。cc-by 4.0国际许可证是根据作者/资助者提供的，他已授予MedRxiv的许可证，以永久显示预印本。（未通过同行评审认证）
针对最近入院的急性代偿性心力衰竭的患者进行心力衰竭教育干预
目的：这项研究检查了针对患者及其护理人员的心力衰竭（HF）教育课程是否会减少HF恶化，急诊科（ED）访问和住院，以及改善患者的生活质量以及疾病状态管理中的病人态度。方法：为HF患者和最近的急性失心心力衰竭入院（ADHF），提供了涵盖HF病理生理学，药物，饮食和生活方式改良的教育课程。患者在完成教育课程完成前和30天之前完成了调查。在课程出勤前30和90天，将上课后30和90天的参与者的结果与同一患者的结果进行了比较。数据是使用电子病历，在班上进行的，在电话随访期间收集的。结果：主要结果是医院入院，ED访问和/或90天时HF的门诊就诊的综合。在2018年9月至2019年2月之间，共有26名患者参加了课程，并被包括在分析中。中位年龄为70岁，大多数患者都是白人。所有患者均为美国心脏病学/美国心脏协会（ACC/AHA）C阶段，大多数患有纽约心脏协会（NYHA）II类或III级症状。中值左心室射血分数（LVEF）为40％。主要的综合结果在上课前的90天内比出勤率的90天（96％比35％，p <0.01）要高。医院入院和急诊就诊也有所减少。同样，在上课前的30天内，次要综合结果的发生率要比下班后30天（54％vs. 19％，p = 0.02）要高。这些结果是由HF症状的入院和ED访问的减少驱动的。调查分数与患者HF自我管理实践和自我管理能力的患者信心相关的HF数值从基线增加到上课后30天增加。结论：针对HF患者的教育类别的实施改善了患者的结果，信心和自我管理HF的能力。采用这种课程可能有助于降低总体医疗保健成本并提高患者的生活质量。
使用家庭远程医疗降低急诊室心力衰竭患者的住院入院率
建议引用推荐引用Ashby，M。（2024）。使用家庭远程医疗降低急诊室心力衰竭患者的住院入院率。[圣奥古斯丁大学健康科学大学博士学位]。SOAR @美国：学生学术项目集合。https://doi.org/10.46409/sr.ghjc4192
早期联络精神病学咨询和综合医院再入院：回顾性队列研究
a。医学博士，法国巴黎大学欧洲乔治·庞皮德医院精神病学系；加拿大蒙特利尔大学助理教授。b。巴黎大学医学博士医学博士，巴黎大学医学院；和法国巴黎大学AP-HP.Centre欧洲乔治·庞皮德医院精神病学系； c。法国欧洲乔治·庞皮德医院精神病学系的医学博士，法国巴黎大学； d。巴黎大学医学博士医学博士，巴黎大学医学院；欧洲乔治 - 庞皮德医院，法国巴黎大学欧洲乔治医院，生物统计学和公共卫生部医学信息学系； e。 MD，AP-HP.Centre-巴黎大学，HôpitalEuropéenGeorges-Pompidou，中心Ambulatoire d'Addictologie，法国巴黎。Inserm，UMS011，基于人群的流行病学队列，法国维勒维夫。f。巴黎大学医学博士医学博士，巴黎大学医学院；法国巴黎分校的APHP.Centre，医学和大学医学和成瘾系老年精神病学区域资源中心（CRRPSA）；和Inserm U1266，法国巴黎精神病学研究所和神经科学研究所； g。巴黎大学医学博士医学博士，巴黎大学医学院；法国巴黎分校的APHP.Centre，医学和大学医学和成瘾系老年精神病学区域资源中心（CRRPSA）；和Inserm U1266，法国巴黎精神病学研究所和神经科学研究所； h。巴黎大学医学博士医学博士，巴黎大学医学院；欧洲Georges-Pompidou医院精神病学系AP-HP.Centre，De Paris大学；和Inserm U1266，法国巴黎的精神病学研究所和神经科学研究所。
一个用于预测心力衰竭再入院的机器学习模型：迈向最佳功能集
专注于六种特定的医疗状况，包括心力衰竭（HF），心肌梗死（MI），慢性阻塞性肺疾病（COPD），冠状动脉搭桥手术（CABG）手术，总髋关节/膝关节/膝关节促进术（THA/TKA）和肺炎，CMS已启动了2008年的公开报告（THA/TKA）。 CMS，2023）。HF在全球范围内有超过2600万个人，每年在美国导致超过100万个住院治疗（Sarijaloo等，2021）。由于人口老龄化，HF的患病率正在稳步增加。2015年至2018年的数据显示，约600万20岁及以上的美国成年人被诊断为HF（Virani等，2021）。预测表明，到2030年，这个数字预计将增加到800万，导致550亿美元的相关成本（Savarese and Lund，2017年）。入院后再入院或死亡率对HF患者对医疗保健构成了重大挑战。在出院后30天内，高达25％的HF患者可能会面临再入院，相关的死亡率风险约为10％（Krumholz等，2009）。尽管全国范围内专注于降低HF加剧的再入院率，但证据表明，这些患者的30天再入院和死亡率仍在上升（Gupta等，2018）。数据在医疗保健提取宝贵的知识和见解中起着至关重要的作用（Au Q. Ray等，2016）。从不同来源收集的大量患者信息已引起数据分析，作为理解复杂医疗状况的强大工具（Shameer等，2017； Jahangiri等，2024）。鉴于降低再入院率的重要性，已经进行了许多研究，以探索HF患者中侵害再入院率的因素。例如，在Sharma等人的最新研究中，HF再入院预测模型（基于树的分类）是使用性别，年龄，急诊部门访问等因素开发的，其C统计数据达到0.65（Sharma等人，2022年）。同样，Mortazavi等。设计了一个随机森林（RF）模型，该模型纳入了上述因素，合并症，种族和严重程度指数，导致C统计量为0.62，精度为0.32（Mortazavi等，2016）。对同一主题的其他几项研究（Philbin和Disalvo，1999; Ross等，2008; Awan等，2019a，b）的性能水平<0.66。此外，最近围绕该主题的研究数量有所上升。例如，在过去的12个月内，有几项研究采用机器学习（ML）方法来预测HF患者的再入院风险（Ru等，2023; Tong等，2023; Scholten等，2024）。c-统计数据在0.59–0.63范围内。但是，大多数研究都受到使用<50,000个样本的小型数据集的限制，这可能会阻碍其发现的普遍性。要解决现有文献中的这一差距，必须在国家一级收集较大的数据集。彻底的文献分析揭示了在开发HFR预测模型时可以考虑的150多个潜在特征。全国性的重新入学数据库（NRD）是最合适的数据集之一，包括全国性的数据，以及其2020年HF患者的最新样本量超过500,000个出院记录。预测心力衰竭再入院（HFR）的研究的可变性可以归因于几个因素，包括选择预测模型中使用的功能。这些功能可以大致分为五个类：（1）人口统计
分析院前充血性心力衰竭护理的现行实践和制定预防再入院的方案。
该项目由 Digital Commons @ Otterbein 的学生研究与创意工作免费提供给您，供您开放访问。该项目已被 Digital Commons @ Otterbein 的授权管理员接受，纳入护理实践博士学术项目。如需更多信息，请联系 digitalcommons07@otterbein.edu。