Reducing Frequent Visits to the Emergency Department: A Systematic Review of Interventions
Notice bibliographique
Résumé
OBJECTIVE: The objective of this study was to establish the effectiveness of interventions to reduce frequent emergency department (ED) use among a general adult high ED-use population. METHODS: Systematic review of the literature from 1950-January 2015. Studies were included if they: had a control group (controlled trials or comparative cohort studies), were set in an ED or acute care facility, and examined the impact of an intervention to reduce frequent ED use in a general adult population. Studies reporting non-original data or focused on a specific patient population were excluded. Study design, patient population, intervention, the frequency of ED visits, and costs of frequent ED use and/or interventions were extracted and narratively synthesized. RESULTS: Among 17 included articles, three intervention categories were identified: case management (n = 12), individualized care plans (n = 3), and information sharing (n = 2). Ten studies examining case management reported reductions in mean (-0.66 to -37) or median (-0.1 to -20) number of ED visits after 12-months; one study reported an increase in mean ED visits (+2.79); and one reported no change. Of these, 6 studies also reported reduced hospital costs. Only 1 study evaluating individualized care plans examined ED utilization and found no change in median ED visits post-intervention. Costs following individualized care plans were also only evaluated in 1 study, which reported savings in hospital costs of $742/patient. Evidence was mixed regarding information sharing: 1 study reported no change in mean ED visits and did not examine costs; whereas the other reported a decrease in mean ED visits (-16.9) and ED cost savings of $15,513/patient. CONCLUSIONS: The impact of all three frequent-user interventions was modest. Case management had the most rigorous evidence base, yielded moderate cost savings, but with variable reductions in ED use. Future studies evaluating non-traditional interventions, tailoring to patient subgroups or socio-cultural contexts, are warranted.
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 | 0,011 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,009 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».