Use of Imaging in the Emergency Department: Physicians Have Limited Effect on Variation
Notice bibliographique
Résumé
PURPOSE: To quantify interphysician variation in imaging use during emergency department (ED) visits and examine the contribution of factors to this variation at the patient, visit, and physician level. MATERIALS AND METHODS: This study was HIPAA compliant and approved by the institutional review board of Partners Healthcare System (Boston, Mass), with waiver of informed consent. In this retrospective study of 88 851 consecutive ED visits during 2011 at a large urban teaching hospital, a hierarchical logistic regression model was used to identify multiple predictors for the probability that low- or high-cost imaging would be ordered during a given visit. Physician-specific random effects were estimated to articulate (by odds ratio) and quantify (by intraclass correlation coefficient [ICC]) interphysician variation. RESULTS: Patient- and visit-level factors found to be statistically significant predictors of imaging use included measures of ED busyness, prior ED visit, referral source to the ED, and ED arrival mode. Physician-level factors (eg, sex, years since graduation, annual workload, and residency training) did not correlate with imaging use. The remaining amount of interphysician variation was very low (ICC, 0.97% for low-cost imaging; ICC, 1.07% for high-cost imaging). These physician-specific odds ratios of imaging estimates were moderately reliable at 0.78 (95% confidence interval [CI]: 0.77, 0.79) for low-cost imaging and 0.76 (95% CI: 0.74, 0.78) for high-cost imaging. CONCLUSION: After careful and comprehensive case-mix adjustment by using hierarchical logistic regression, only about 1% of the variability in ED imaging utilization was attributable to physicians.
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 | 0,000 |
| 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 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 ».