Hospitalization and Mortality Rates in Long-Term Care Facilities: Does For-Profit Status Matter?
Notice bibliographique
Résumé
OBJECTIVES: To establish if proprietary status (ie, for-profit or not-for-profit) is associated with mortality and hospitalizations among publicly funded long-term care (nursing) homes. METHODS: We conducted a retrospective cohort study of new admissions in 640 publicly funded long-term care facilities in Ontario, Canada (384 for-profit, 256 not-for-profit). A population-based cohort of 53,739 incident admissions into long-term care facilities between January 1, 2010, and March 1, 2012, was observed. We measured adjusted rates of hospital admissions and mortality, per 1000 person-years (PY) of follow-up, among for-profit and not-for-profit facilities at 3, 6, and 12 months postadmission. Rates were measured postadmission and until discharge or death, whichever came first. RESULTS: One year after admission and before discharge, 11.7% of residents died and 25.7% had at least one hospitalization. After 12 months of follow-up, residents in for-profit facilities had a hospitalization rate of 462 per 1000 PY versus 358 per 1000 PY in not-for-profit facilities. During this period, the crude mortality rate in for-profit facilities was 208 per 1000 PY versus 185 per 1000 PY in not-for-profit facilities. At 3, 6, and 1 year after admission, for-profit facilities had an adjusted hazard ratio of 1.36 (95% confidence interval [CI] 1.28-1.43), 1.33 (95% CI 1.27-1.39), and 1.25 (95% CI 1.21-1.30) for hospitalizations and hazards of 1.20 (95% CI 1.11-1.29), 1.16 (95% CI 1.09-1.24), and 1.10 (95% CI 1.05-1.16) for mortality, respectively. CONCLUSIONS: Publicly funded for-profit facilities have significantly higher rates of both mortality and hospital admissions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».