Predictors of 2010–2011 Michigan Medicaid Beneficiary Adverse E-Code Health Care Encounters
Notice bibliographique
Résumé
To inform Medicaid medication management and public health policymaking, the authors analyzed the major predictive factors influencing program-approved therapeutic use or poisoning E-coded encounters leading to emergency department visits and hospital admission for the totality of Michigan Medicaid beneficiaries during a 12-month 2010-2011 period. The analytic cohort was composed of 26,134 approved E-code encounters submitted for 19,865 discrete Michigan Medicaid beneficiaries.More than 1% of all beneficiaries experienced at least one adverse medication/agent-related E-code encounter during the period. More such encounters and costlier approved encounters were recorded female subjects, African Americans, dually eligible adults, urban elderly, those with fee-for-service Medicaid coverage, and those residing in urban-density counties.Especially notably for patient safety policymakers, more than 9% of total E-coded encounters for children and adults were primarily attributed by providers to likely preventable poisoning causes such as exposure to household cleaning agents/gases, cosmetic products, illicit drug/alcohol, or secondary tobacco smoke. Encounter costs for the total sample totaled $37 million but ranged considerably up to more than a quarter million dollars.In view of the future expanding Medicaid-covered beneficiary cohorts, the authors propose several key patient safety/public health policy implications for researchers and policymakers striving to serve lower-income health care consumer groups.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».