Trade-Offs between Effectiveness and Efficiency in Stroke Rehabilitation
Notice bibliographique
Résumé
BACKGROUND: Most stroke research has studied rehabilitation effectiveness and rehabilitation efficiency separately and not investigated the potential trade-offs between these two indices of rehabilitation. AIMS: To determine whether there is a trade-off between independent factors of rehabilitation effectiveness and rehabilitation efficiency. METHODS: Using a retrospective cohort study design, we studied all stroke patients (n = 2810) from two sub-acute rehabilitation hospitals from 1996 to 2005, representing 87·5% of national bed-years during the same period. RESULTS: Independent predictors of poorer rehabilitation effectiveness and log rehabilitation efficiency were • older age • race-ethnicity • caregiver availability • ischemic stroke • longer time to admission • dementia • admission Barthel Index score, and • length of stay. Rehabilitation effectiveness was lower in females, and the gender differences were significantly lower in those aged ≤70 years (β -4·7 (95% confidence interval -7·4 to -2·0)). There were trade-offs between effectiveness and efficiency with respect to admission Barthel Index score and length of stay. An increase of 10 in admission Barthel Index score predicted an increase of 3·6% (95% confidence interval 3·2-4·0) in effectiveness but a decrease of 0·04 (95% confidence interval -0·05 to -0·02) in log efficiency (a reduction of efficiency by 1·0 per 30 days). An increase in log length of stay by 1 (length of stay of 2·7 days) predicted an increase of 8·0% (95% confidence interval 5·7-10·3) in effectiveness but a decrease of 0·82 (95% confidence interval -0·90 to -0·74) in log efficiency (equivalent to a reduction in efficiency by 2·3 per 30 days). For optimal rehabilitation effectiveness and rehabilitation efficiency, the admission Barthel Index score was 30-62 and length of stay was 37-41 days. CONCLUSIONS: There are trade-offs between effectiveness and efficiency during inpatient sub-acute stroke rehabilitation with respect to admission functional status and length of stay.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».