Predictors of Hospitalization Among Newly Admitted Skilled Nursing Facility Residents: Rethinking the Role of Functional Decline
Notice bibliographique
Résumé
Purpose: Hospital transfer from a skilled nursing facility (SNF) is costly, and many are potentially preventable. This study examines: 1) whether functional decline is a predictor of hospital transfer, and 2) the magnitude of relationships between predictors (functional impairment and chronic medical illness) and hospital transfer from SNFs. Methods: We used Minimum Data Set (MDS) Version 2.0 in the state of Michigan between 2007 and 2009. In total, 196,662 new SNF admissions were observed. Multilevel generalized estimating equations and regression models were performed for each functional and clinical domain while adjusting for demographic variables and change in activities of daily living (ADL). Results: 65% of recently admitted SNF residents experienced functional decline after SNF admission, and 58% were readmitted to a hospital. Residents who needed extensive assistance or were completely dependent in their functional domains had pressure ulcers, deteriorated mood or lower cognitive performance scale scores. These residents experienced higher chances of hospital transfer. However, a deteriorated ADL played a significant role in all multivariate models, indicating that a decline in ADL is a stronger predictor of hospital transfer than other functional or clinical predictors. Conclusion: Although all functional impairments and chronic medical illness can be associated with hospital transfer, functional decline may be the most important predictor of hospital transfer in patients newly admitted to an SNF.
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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».