Examining Causes of Racial Disparities in General Surgical Mortality
Notice bibliographique
Résumé
BACKGROUND: Racial disparities in general surgical outcomes are known to exist but not well understood. OBJECTIVES: To determine if black-white disparities in general surgery mortality for Medicare patients are attributable to poorer health status among blacks on admission or differences in the quality of care provided by the admitting hospitals. RESEARCH DESIGN: Matched cohort study using Tapered Multivariate Matching. SUBJECTS: All black elderly Medicare general surgical patients (N=18,861) and white-matched controls within the same 6 states or within the same 838 hospitals. MEASURES: Thirty-day mortality (primary); others include in-hospital mortality, failure-to-rescue, complications, length of stay, and readmissions. RESULTS: Matching on age, sex, year, state, and the exact same procedure, blacks had higher 30-day mortality (4.0% vs. 3.5%, P<0.01), in-hospital mortality (3.9% vs. 2.9%, P<0.0001), in-hospital complications (64.3% vs. 56.8% P<0.0001), and failure-to-rescue rates (6.1% vs. 5.1%, P<0.001), longer length of stay (7.2 vs. 5.8 d, P<0.0001), and more 30-day readmissions (15.0% vs. 12.5%, P<0.0001). Adding preoperative risk factors to the above match, there was no significant difference in mortality or failure-to-rescue, and all other outcome differences were small. Blacks matched to whites in the same hospital displayed no significant differences in mortality, failure-to-rescue, or readmissions. CONCLUSIONS: Black and white Medicare patients undergoing the same procedures with closely matched risk factors displayed similar mortality, suggesting that racial disparities in general surgical mortality are not because of differences in hospital quality. To reduce the observed disparities in surgical outcomes, the poorer health of blacks on presentation for surgery must be addressed.
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 | 0,001 |
| 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 ».