APOP screening: 90 dagen mortaliteit van oudere patiënten
Oudere patiënten vertonen in hogere mate nadelige uitkomsten na een bezoek aan de spoedeisende hulp (SEH). Door middel van vroegtijdige identificatie van hoog risico patiënten, kunnen preventieve maatregelen en patiënt specifieke behandelbeslissingen genomen worden. Bestaande modellen presteren slecht op het discrimineren van de patiënten met de hoogste risico's. Het huidige model voorspelt het risico om te overlijden binnen 90 dagen van oudere patiënten die op de SEH terecht zijn gekomen.  

Let op: Voor het gebruik van de APOP screening adviseren wij om het composiet model te gebruiken om zowel achteruitgang in functioneren als de mortaliteit te berekenen. 
Research authors: J. de Gelder, J.A. Lucke, B. de Groot, A.J. Fogteloo, S. Anten, K. Mesri, E.W. Steyerberg, C. Heringhaus, G.J. Blauw, S.P. Mooijaart
Details Formula Study characteristics Files & References
★★★★
Model author
Model ID
986
Version
1.12
Revision date
2017-10-31
MeSH terms
  • Geriatrics
  • Emergency Medicine
  • Elderly
  • Model type
    Logistic regression (Calculation)
    Status
    public
    Rating
    Share
    Formula
    No Formula defined yet
    Condition Formula

    Additional information

    In de drie maanden van inclusie zijn er in totaal 995 oudere patiënten op de SEH in het LUMC geweest. Hiervan zijn er 19 geëxcludeerd vanwege een taalbarrière of het verlaten van de wachtkamer. Nog 92 patiënten konden niet benaderd worden door hun ziektebeeld, waardoor er 884 geschikte patiënten overbleven. Hiervan zijn er 65 patiënten gemist voor inclusie en hebben 68 patiënten het informed consent geweigerd. Hierdoor zijn er 751 patiënten overgebleven om het predictiemodel mee te ontwikkelen. Op een vergelijkbare wijze zijn er in het Alrijne ziekenhuis 881 patiënten geincludeerd voor validatie. 

    De hier gepresenteerde patiëntkarakteristieken bevatten informatie over de patiënten die in het LUMC zijn geweest. 

     

    Study Population

    Total population size: 751
    Males: {{ model.numberOfMales }}
    Females: {{ model.numberOfFemales }}

    Continuous characteristics

    Name LL Q1 Median Q3 UL Unit
    Leeftijd 74 78 83 Jaren
    Hoeveelheid verschillende medicijnen 3 5 8 Medicijn(en)
    Katz ADL score 0 0 1 Score
    ISAR score 1 2 3 Score
    6CIT score 2 4 8.5 Score

    Categorical characteristics

    Name Subset / Group Nr. of patients
    Woonzaam in verzorgings- of verpleeghuis Nee 688
    Ja 63
    Hoog opgeleid Nee 591
    Ja 155
    Ontbreekt 5
    Aankomst per ambulance Nee 346
    Ja 405
    Triage categorie Standaard (groen) 159
    Urgent (geel) 391
    Erg urgent (oranje) 201
    Val gerelateerd bezoek Nee 540
    Ja 211
    Indicatie om vitale functies te meten No 90
    Yes 661
    Indicatie om bloedtest uit te voeren No 148
    Yes 603
    Gebruik van loophulpmiddel Nee 445
    Ja 302
    Ontbreekt 4

    Related files

    No related files available

    Supporting Publications

    Het berekende risico op overlijden binnen 3 maanden is:
    ...

    {{ resultSubheader }}

    {{ model.survival.PITTitle }}

    {{ model.survival.YNETitle }}

    Result
    Note
    Notes are only visible in the result download and will not be saved by Evidencio

    Het berekende risico op overlijden binnen 3 maanden is:

    {{ resultSubheader }}
    {{ chart.title }}

    Outcome stratification

    Result interval {{ additionalResult.min }} to {{ additionalResult.max }}

    Conditional information

    Result interpretation

    Het huidige model is ontwikkeld binnen de APOP studie. APOP staat voor Acuut Presenterende Oudere Patiënt. Het huidige model voorspelt het riscio op overlijden binnen 3 maanden nadat ouderen zich gepresenteerd hebben op de spoedeisende hulp. 

    Let op:
    Het huidige model is ontwikkeld met data van het LUMC en gevalideerd met data van het Alrijne ziekenhuis. Er is geen validatie uitgevoerd in andere ziekenhuizen.

    {{ file.classification }}

    Calculations alone should never dictate patient care, and are no substitute for professional judgement. See our full disclaimer.

    Comments
    Rating
    Comment
    Please enter a comment of rating
    Comments are visible to anyone

    Model feedback

    No feedback yet 1 Comment {{ model.comments.length }} Comments
    Not rated | On {{ comment.created_at }} {{ comment.user.username }} a no longer registered author wrote:
    logo

    Please sign in to enable Evidencio print features

    In order to use the Evidencio print features, you need to be logged in.
    If you don't have an Evidencio Community Account you can create your free personal account at:

    https://www.evidencio.com/registration

    Printed results - Examples {{ new Date().toLocaleString() }}


    Evidencio Community Account Benefits


    With an Evidencio Community account you can:

    • Create and publish your own prediction models.
    • Share your prediction models with your colleagues, research group, organization or the world.
    • Review and provide feedback on models that have been shared with you.
    • Validate your models and validate models from other users.
    • Find models based on Title, Keyword, Author, Institute, or MeSH classification.
    • Use and save prediction models and their data.
    • Use patient specific protocols and guidelines based on sequential models and decision trees.
    • Stay up-to-date with new models in your field as they are published.
    • Create your own lists of favorite models and topics.
    A personal Evidencio account is free, with no strings attached! Join us and help create clarity, transparency, and efficiency in the creation, validation, and use of medical prediction models.

    Disclaimer: Calculations alone should never dictate patient care, and are no substitute for professional judgement.