Hips Can Lie: Impact of Excluding Isolated Hip Fractures on External Benchmarking of Trauma Center Performance
Notice bibliographique
Résumé
BACKGROUND: Trauma centers (TCs) vary in the inclusion of patients with isolated hip fractures (IHFs) in their registries. This inconsistent case ascertainment may have significant implications on the assessment of TC performance and external benchmarking efforts. METHODS: Data were derived from the National Trauma Data Bank (2007-8.1). We included patients (aged 16 years or older) with Injury Severity Score value ≥ 9 who were admitted to Level I and II TCs. To ensure data quality, we limited the study to TC that routinely reported comorbidities and Abbreviated Injury Scale codes. IHF were defined as patients, aged 65 years or older, injured as a result of falls, with Abbreviated Injury Scale codes for hip fracture and without other significant injuries. TCs were stratified according to their reported inclusion of IHF in their registry. Observed-to-expected mortality ratios were used to rank TC performance first with and then, without the inclusion of patients with IHF. RESULTS: In total, 91,152 patients in 132 TCs were identified; 5% (n = 4,448) were IHF. The proportion of IHF per TC varied significantly, ranging from 0% to 31%. When risk-adjusted mortality was evaluated, excluding patients with IHF had significant effects: 37% (n = 49) of TCs changed their performance rank by ≥ 3 (range, 1-25) and 12% of centers changed their performance quintile. The greatest change in rank performance was evident in centers that routinely include IHF in their registries. CONCLUSIONS: Given the fact that IHFs in the elderly significantly influence risk-adjusted outcomes and are variably reported by TCs, these patients should be excluded from subsequent benchmarking efforts.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».