Unplanned readmissions after hospital discharge among patients identified as being at high risk for readmission using a validated predictive algorithm.
Notice bibliographique
Résumé
BACKGROUND: Unplanned hospital readmissions are common, expensive and often preventable. Strategies designed to reduce readmissions should target patients at high risk. The purpose of this study was to describe medical patients identified using a recently published and validated algorithm (the LACE index) as being at high risk for readmission and to examine their actual hospital readmission rates. METHODS: We used population-based administrative data to identify adult medical patients discharged alive from 6 hospitals in Toronto, Canada, during 2007. A LACE index score of 10 or higher was used to identify patients at high risk for readmission. We described patient and hospitalization characteristics among both the high-risk and low-risk groups as well as the 30-day readmission rates. RESULTS: Of 26 045 patients, 12.6% were readmitted to hospital within 30 days and 20.9% were readmitted within 90 days of discharge. High-risk patients (LACE ≥ 10) accounted for 34.0% of the sample but 51.7% of the patients who were readmitted within 30 days. High-risk patients were readmitted with twice the frequency as other patients, had longer lengths of stay and were more likely to die during the readmission. INTERPRETATION: Using a LACE index score of 10, we identified patients with a high rate of readmission who may benefit from improved post-discharge care. Our findings suggest that the LACE index is a potentially useful tool for decision-makers interested in identifying appropriate patients for post-discharge interventions.
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 ».