Influence of house‐staff experience on teaching‐hospital mortality: The “July Phenomenon” revisited
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The "July phenomenon" refers to a purported worsening of outcomes in teaching-hospital patients with the arrival of new, inexperienced house-staff. Previous quantitative studies of new house-staff and increased mortality have been limited primarily by a focused patient population and the use of limited data to adjust for severity of patient illness. METHODS: We included all medicine, surgical, and obstetrical patients admitted to a teaching hospital in Ontario, Canada between April 15, 2004 and December 31, 2008. We calculated the ratio of observed to expected weekly number of deaths in hospital. The expected number of deaths was calculated using a validated, discriminative, and well-calibrated multivariate survival model. Collective house-staff experience was modeled from a minimum on July 1st to a maximum on June 30th using five distinct patterns. RESULTS: We studied 259,748 encounters that included 164,318 people. The mortality rate was 3.0%. The ratio of observed to expected number of weekly deaths was not associated with collective house-staff experience, irrespective of the pattern in which it was modeled. The lack of association between risk of death in hospital and house-staff experience did not vary by admission type (urgent vs elective) or specialty (medicine vs surgery). CONCLUSION: At our hospital, we found no association between the arrival of new house-staff and the adjusted risk of death in hospital. These data, along with the results of the vast majority of previous studies in this field, make the existence of the "July Phenomenon" for inpatient mortality extremely unlikely.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle