Discharge Against Medical Advice in Traumatic Brain Injury: Follow-Up and Readmission Rate
Notice bibliographique
Résumé
BACKGROUND: Patients who leave hospital against medical advice (AMA) may be at risk of adverse health outcomes, medical complications, and readmission. In this study, we examined the characteristics of patients who left AMA after traumatic brain injury (TBI), their rates of follow-up visits, and readmission. METHODS: We retrospectively studied 106 consecutive patients who left the tertiary trauma center AMA (1.8% of all admitted patients with a TBI). Preinjury health and social issues, mechanism of injury, computed tomography findings, and injury markers were collected. They were correlated to compliance with follow-up visits and unplanned emergency room (ER) visits and readmission rates. RESULTS: The most prevalent premorbid health or social-related issues were alcohol abuse (33%) and assault as a mechanism of trauma (33%). Only 15 (14.2%) subjects came to follow-up visit for their TBI. Sixteen (15.1%) of the 106 subjects had multiple readmissions and/or ER visits related to substance abuse. Seven (6.6%) had multiple readmissions or ER visits with psychiatric reasons. Those patients with multiple readmissions and ER visits showed in higher proportion preexisting neurological condition (p=0.027), homelessness (p=0.012), previous neurosurgery (p=0.014), preexisting encephalomalacia (p=0.011), and had a higher ISS score (p=0.014) than those who were not readmitted multiple times. CONCLUSIONS: The significantly increased risks of multiple follow-up visits and readmission among TBI patients who leave hospital AMA are related to a premorbid vulnerability and psychosocial issues. Clinicians should target AMA TBI patients with premorbid vulnerability for discharge transition 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 | 0,012 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».