30-day in-hospital mortality after acute myocardial infarction in Tuscany (Italy): An observational study using hospital discharge data
Notice bibliographique
Résumé
BACKGROUND: Coronary heart disease is the leading cause of mortality in the world. One of the outcome indicators recently used to measure hospital performance is 30-day mortality after acute myocardial infarction (AMI). This indicator has proven to be a valid and reproducible indicator of the appropriateness and effectiveness of the diagnostic and therapeutic process for AMI patients after hospital admission. The aim of this study was to examine the determinants of inter-hospital variability on 30-day in-hospital mortality after AMI in Tuscany. This indicator is a proxy of 30-day mortality that includes only deaths occurred during the index or subsequent hospitalizations. METHODS: The study population was identified from hospital discharge records (HDRs) and included all patients with primary or secondary ICD-9-CM codes of AMI (ICD-9 codes 410.xx) that were discharged between January 1, 2009 and November 30, 2009 from any hospital in Tuscany. The outcome of interest was 30-day all-cause in-hospital mortality, defined as a death occurring for any reason in the hospital within 30 days of the admission date. Because of the hierarchical structure of the data, with patients clustered into hospitals, random-effects (multilevel) logistic regression models were used. The models included patient risk factors and random intercepts for each hospital. RESULTS: The study included 5,832 patients, 61.90% male, with a mean age of 72.38 years. During the study period, 7.99% of patients died within 30 days of admission. The 30-day in-hospital mortality rate was significantly higher among patients with ST segment elevation myocardial infarction (STEMI) compared with those with non-ST segment elevation myocardial infarction (NSTEMI). The multilevel analysis which included only the hospital variance showed a significant inter-hospital variation in 30-day in-hospital mortality. When patient characteristics were added to the model, the hospital variance decreased. The multilevel analysis was then carried out separately in the two strata of patients with STEMI and NSTEMI. In the STEMI group, after adjusting for patient characteristics, some residual inter-hospital variation was found, and was related to the presence of a cardiac catheterisation laboratory. CONCLUSION: We have shown that it is possible to use routinely collected administrative data to predict mortality risk and to highlight inter-hospital differences. The distinction between STEMI and NSTEMI proved to be useful to detect organisational characteristics, which affected only the STEMI subgroup.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
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 | 0,069 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».