External Benchmarking of Trauma Center Performance
Notice bibliographique
Résumé
OBJECTIVE: The elderly injured have been identified as a population with unique needs compared with nonelderly trauma patients. We sought to determine whether trauma center (TC) performance is consistent across age groups and to assess whether aggregate evaluations of TC performance capture quality of care among the elderly. BACKGROUND: The recently launched Trauma Quality Improvement Program utilizes external benchmarking of TC outcomes to identify centers with above-average performance, with the goal of disseminating best practices. If variation exists in TC performance across age groups, such variation might significantly impact on the success of external benchmarking programs in improving quality of care. METHODS: Study data were derived from the National Trauma Databank (2007), limited to level I and II centers and adults with moderate to severe injuries (injury severity score > 9). Separate logistic regression models were constructed to produce TC risk-adjusted mortality for both the young and the elderly (age > 65 years). Observed-to-expected mortality ratios were used to identify centers with above or below average performance overall, among the young and among the elderly. RESULTS: We identified 87,754 patients across 132 facilities; 25% were elderly. After adjustment for case mix, 9 centers were identified as above-average performers in the elderly population. Only 2 of these centers were also above-average performers among young patients. Overall, concordance for center performance across age strata evidenced poor agreement (κ, 0.23). In addition, aggregate assessment of center performance did not reliably identify high-performing centers for elderly patients. CONCLUSIONS: The use of outcome-based benchmarking harbors significant potential for trauma quality improvement. Evaluations of aggregate TC performance may not adequately reflect the care provided to the elderly injured. Elderly trauma patients may warrant special attention in the context of ongoing quality improvement programs.
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 | 0,027 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».