Abstract WP375: Quality of Care and In-Hospital Outcomes by Race and Ethnicity among Patients Hospitalized with Intracerebral Hemorrhage: Findings from 123,623 Patients in the Get With The Guidelines-Stroke Program
Notice bibliographique
Résumé
Background: The rates of intracerebral hemorrhage (ICH) are disproportionally higher in minorities. While racial/ethnic differences in care persist in many areas of medicine, no study to date has examined whether ICH care processes or outcomes differ by patient race or ethnicity. Methods: We analyzed data from 123,623 ICH patients (83,216 white; 22,147 black; 10,519 Hispanic; and 7,741 Asian) hospitalized at 1,199 Get With The Guidelines-Stroke hospitals between 2003 and 2012. Multivariate logistic regression with generalized estimating equation was used to evaluate the association between race, stroke performance measures, and in-hospital outcomes. Results: Relative to white ICH patients, black, Hispanic, and Asian ICH patients were younger, more frequently had diabetes mellitus, hypertension, and more severe stroke (median National Institutes of Health Stroke Scale [NIHSS]:9, 10, 10, and 11, respectively, p<0.001). After adjusting for both patient- and hospital-level characteristics (Table), black ICH patients were more likely than whites to receive deep venous thrombosis prophylaxis, rehabilitation assessment, dysphagia screening, and stroke education, but less likely to receive smoking cessation counseling despite high prevalence of black current smokers. All minority groups had lower rates of in-hospital mortality (27.6%. 23.0%, 22.8%, and 25.3% for white, black, Hispanic, and Asian, respectively; p<0.001), but were more likely to experience a longer length of stay (median 5, 6, 6, and 6 days, respectively; p<0.001) than white patients. These differences remained consistent after further adjustment for NIHSS among NIHSS complete records (N=47,408). Conclusion: We found no clear pattern of racial or ethnic differences in the quality of care delivered to ICH patients. Black, Hispanic, and Asian ICH patients had lower risk-adjusted mortality compared with their white counterparts.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».