What happens to patients who leave hospital against medical advice?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Patients who leave hospital against medical advice (AMA) may be at risk of adverse health outcomes and readmission. In this study we examined rates of readmission and predictors of readmission among patients leaving hospital AMA. METHODS: We prospectively studied 97 consecutive patients who left the general medicine service of an urban teaching hospital AMA. Each patient was matched according to age, sex and primary diagnosis with a control patient who was discharged routinely. Readmission rates were examined using Kaplan-Meier analysis. Regression models were used to test the hypothesis that readmissions among patients discharged AMA followed a biphasic curve. RESULTS: Patients who left AMA were much more likely than the control patients to be readmitted within 15 days (21% v. 3%, p < 0.001). Readmissions occurred at an accelerated pace during the first 15 days, followed by a 75-day period during which readmissions occurred at a rate comparable to that among the control patients. Among the patients who left AMA, being male and having a history of alcohol abuse were significant predictors of readmission within 15 days; however, these characteristics were common among the patients who left AMA. In the Cox proportional hazard models, leaving AMA was the only significant predictor of readmission (adjusted hazard ratio 2.5, 95% confidence interval 1.4-4.4). INTERPRETATION: The significantly increased risk of readmission among general medicine patients who leave hospital AMA is concentrated in the first 2 weeks after discharge. However, it is difficult to identify which patients will likely be readmitted.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découle