Ability of Nurse Clinicians to Predict Unplanned Returns to Hospital Within Thirty Days of Discharge
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the ability of nurse clinician discharge flow coordinators (DFCs) to identify medical patients at risk of unplanned return to the hospital emergency department within 30 days of discharge and whether a higher predicted risk of return was correlated with preventability. DESIGN: Prospective cohort study of patients discharged from medical wards at 2 hospital sites of the McGill University Health Center between September 1, 2011, and January 1, 2012. METHODS: Univariate and multivariate analyses of factors including the ability of DFCs to predict 30-day unplanned returns to the hospital. Assessment of the preventability of returns to the hospital was performed by chart review using prespecified criteria. The ability of DFCs to predict returns was compared to the LACE criteria (length of stay, acute admission through the emergency department, comorbidities, and emergency department visits in the past 6 months). RESULTS: We found that 25.0% (95% CI, 21.3-28.5) of our patients returned to the emergency department within 30 days. The DFC predictions were found to be significant in both univariate and multivariate analysis. Patient age, sex, and length of stay were not significant predictors in univariate or multivariate analysis; 13.9% (95% CI, 8.2-19.6) of returns were preventable and a further 25.8% (95% CI, 18.1-33.5) were potentially preventable with added services in the community. There was a trend toward more preventable or potentially preventable returns with higher predicted probability of return. In contrast the LACE criteria did not have a good predictive capacity in our patient population. CONCLUSION: In a large urban center, experienced nurse clinician DFCs were able to predict 30-day emergency department returns with reasonable accuracy. They were also able to identify the returns to the hospital that were most likely to be preventable. Our data suggests that DFCs can be used to target patients identified as having an increased probability of return with interventions that may be able to reduce the burden of return to hospital.
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 | 0,001 | 0,017 |
| 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 ».