Who are the High Hospital Users? A Canadian Case Study
Notice bibliographique
Résumé
OBJECTIVES: Researchers have taken two different approaches to understanding high use of hospital services, one focusing on the large proportion of services used by a small minority and a second focusing on the poor health status and high hospital use of the poor. This work attempts to bridge these two widely researched approaches to understanding health care use. METHODS: Administrative data from Winnipeg, Manitoba covering all hospitalizations in 1995 were combined with public use Census measures of socio-economic status (neighbourhood household income). High users were defined as the 1% of the population who spent the most days in hospital in 1995 (n = 6487 hospital users out of population of 648715 including non-users). RESULTS: One per cent of the Winnipeg population consumed 69% of the hospital days in 1995. Thirty-one per cent of the highest users were among the 20% of residents of neighbourhoods with the lowest household incomes, and 10% of the highest users were among the 20% from neighbourhoods with the highest household incomes. However, on most other dimensions, including gender, age, average days in hospital, average admissions, percentage who died in hospital and diagnostic reasons for being hospitalized, the similarities between high users, regardless of their socio-economic group, were striking. CONCLUSIONS: The lower the socio-economic status, the more likely an individual is to make high demands on hospitals. However, patterns of use as well as the diseases and accidents that produce high use among residents of low income neighbourhoods are not much different from those that produce high use among residents of high income neighbourhoods.
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 | 0,019 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».