Safely and effectively reducing inpatient length of stay: a controlled study of the General Internal Medicine Care Transformation Initiative
Notice bibliographique
Résumé
PURPOSE: Whether improving the efficiency of hospital care will worsen post-discharge outcomes is unclear. We designed this study to evaluate the General Internal Medicine (GIM) Care Transformation Initiative implemented at one of the seven teaching hospitals in the Canadian province of Alberta. METHODS: Controlled before-after study of GIM patients hospitalised at the University of Alberta Hospital (UAH, intervention site, n=1896) or the six other teaching hospitals in Alberta-three in Edmonton (intra-regional controls (IRC), n=4550) and three in Calgary (extra-regional controls (ERC), n=4095). The primary effectiveness outcome was risk-adjusted length of stay (LOS) and the primary safety outcome was 'mortality during index hospitalisation or all-cause readmission or death within 30-days of discharge'. RESULTS: LOS for GIM patients decreased by 0.68 days at Alberta teaching hospitals between 2009 and 2012; GIM patients hospitalised at the UAH exhibited a further 20% relative decline in adjusted LOS (total reduction=1.43 days, 95% CI 0.94 to 1.92 days) from PRE to POST. Interrupted time series (ITS) confirmed that the 1.43 day reduction at the UAH was statistically significant (level change p=0.003), while the declines at the IRC (p=0.37) and ERC (p=0.45) were not. Our safety outcome did not change for UAH patients (18.4% PRE-intervention vs 17.8% POST-intervention, adjusted OR 1.02 (95%CI 0.80 to 1.31), p=0.42 on ITS), nor for those hospitalised at the IRC (p=0.33) or the ERC (p=0.73) sites. CONCLUSIONS: The Care Transformation Initiative was associated with substantial reductions in LOS without increasing post-discharge events commonly quoted as proxies for quality.
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 | 0,003 | 0,001 |
| 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 | 0,000 |
| 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 ».