More Operations, More Deaths? Relationship Between Operative Intervention Rates and Risk-Adjusted Mortality at Trauma Centers
Notice bibliographique
Résumé
INTRODUCTION: The Trauma Quality Improvement Project has demonstrated significant variations in risk-adjusted mortality rates across the designated trauma centers. It is not known whether the outcome differences are related to provider-level clinical decision making. We hypothesized that centers with good outcomes undertake critical operative interventions aggressively, thereby avoiding complications and deaths. METHODS: The previously validated Trauma Quality Improvement Project risk-adjustment algorithm was used to measure observed-to-expected mortality rates (O/E with 90% confidence intervals [CI]) for 152 Level I and II trauma centers participating in the National Trauma Data Bank (version 7.0). Adult patients (>or=16 years) with at least one severe injury (Abbreviated Injury Scale score >or=3) were included (N = 135,654). Operative intervention rates for solid organ injuries (spleen, liver, and kidney) were compared between the centers classified as high mortality (O/E with CI > 1, n = 35 centers) versus low mortality (O/E with CI < 1, n = 37 centers) using nonparametric tests. RESULTS: Low- and high-mortality trauma centers were similar in designation level, hospital and intensive care unit beds, teaching status, and number of trauma, orthopedic, and neurosurgeons. Despite a similar incidence and severity of solid organ injuries, low-mortality centers were less likely to undertake operative interventions. CONCLUSION: Trauma centers with higher risk-adjusted mortality rates are more likely to undertake operative interventions for solid organ injuries. Hence, there is a need to focus quality improvement efforts on medical decision-making and perioperative processes of care.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».