Hospital Readmission in General Medicine Patients: A Prediction Model
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: Previous studies of hospital readmission have focused on specific conditions or populations and generated complex prediction models. OBJECTIVE: To identify predictors of early hospital readmission in a diverse patient population and derive and validate a simple model for identifying patients at high readmission risk. DESIGN: Prospective observational cohort study. PATIENTS: Participants encompassed 10,946 patients discharged home from general medicine services at six academic medical centers and were randomly divided into derivation (n = 7,287) and validation (n = 3,659) cohorts. MEASUREMENTS: We identified readmissions from administrative data and 30-day post-discharge telephone follow-up. Patient-level factors were grouped into four categories: sociodemographic factors, social support, health condition, and healthcare utilization. We performed logistic regression analysis to identify significant predictors of unplanned readmission within 30 days of discharge and developed a scoring system for estimating readmission risk. RESULTS: Approximately 17.5% of patients were readmitted in each cohort. Among patients in the derivation cohort, seven factors emerged as significant predictors of early readmission: insurance status, marital status, having a regular physician, Charlson comorbidity index, SF12 physical component score, >or=1 admission(s) within the last year, and current length of stay >2 days. A cumulative risk score of >or=25 points identified 5% of patients with a readmission risk of approximately 30% in each cohort. Model discrimination was fair with a c-statistic of 0.65 and 0.61 for the derivation and validation cohorts, respectively. CONCLUSIONS: Select patient characteristics easily available shortly after admission can be used to identify a subset of patients at elevated risk of early readmission. This information may guide the efficient use of interventions to prevent readmission.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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