Methods for Analyzing Hospital Length of Stay with Application to Inpatients Dying in Southern Thailand
Notice bibliographique
Résumé
This study investigated length of stay (LOS) for patients who died in hospital in Southern Thailand from 2000 to 2003with respect to principal diagnosis and demographic, geographic and hospital size factors. The computerized data of40,498 mortality cases were obtained from the Ministry of Public Health from 167 hospitals in 14 provinces of SouthernThailand between October 2000 and September 2003 with information on age, gender, principal diagnosis, province andhospital size. Logistic and linear regression with log-transformed LOS was used to analyze the data. Patients withinjuries as principal diagnosis had shortest LOS, whereas cancer patients had the longest LOS. Older patients,particularly females, had higher LOS for all diagnoses. LOS increased with hospital size except in the North and NorthWest. Small hospitals in the South West region had the lowest LOS whereas large hospitals in the North West had thehighest. The highest proportion of bed days (11.2%) occurred in males aged less than 60 diagnosed with infectiousdiseases. Males aged less than 60 diagnosed with injuries and digestive diseases, and aged at least 60 diagnosed withCOPD, and aged less than 60 diagnosed with infectious diseases, accounted for more than double those for femalepatients in the same disease groups. Both logistic regressions with LOS at least 1 week as the outcome and linearregression on appropriately log transformed LOS gave consistent results. Providing suitable palliative care or allowingpatients to select the place for spending their final time of life, especially for patients with chronic diseases, which canreduce hospital resource utilization.
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 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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».