Hospital Contributions to Variability in the Use of ICUs Among Elderly Medicare Recipients
Notice bibliographique
Résumé
OBJECTIVE: Hospitals vary widely in ICU admission rates across numerous medical diagnoses. The extent to which variability in ICU use is specific to individual diagnoses or is a function of the hospital, regardless of disease, is unknown. DESIGN: Retrospective cohort study. SETTING: A total of 1,120 acute care hospitals with ICU capabilities. PATIENTS: Medicare beneficiaries 65 years old or older admitted for five medical diagnoses (acute myocardial infarction, congestive heart failure, stroke, pneumonia, and chronic obstructive pulmonary disease) and a surgical diagnosis (hip fracture treated with arthroplasty) in 2010. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: We used multilevel models to calculate risk- and reliability-adjusted ICU admission rates, examined the correlation in ICU admission rates across diagnosis and calculated intraclass correlation coefficients and median odds ratios to quantify the variability in ICU admission rate that was attributable to hospitals. We also examined the ability of a high ICU-use hospital for one condition to predict high ICU use for other conditions. We identified 348,462 patients with one of the eligible conditions. ICU admission rates were positively correlated within hospitals for included medical diagnoses (r range, 0.38-0.59; p < 0.01). The top hospital quartile of ICU use for congestive heart failure had a sensitivity of 50-60% and specificity of 79-81% for detecting top quartile hospitals for each other conditions. After adjustment for patient and hospital characteristics, hospitals accounted for 17.6% (95% CI, 16.2-19.1%) of variability in ICU admission, corresponding to a median odds ratio of 2.3, compared to 25.8% (95% CI, 24.5-27.1%) and median odds ratio 2.8 for diagnosis. This suggests a patient with median baseline risk of ICU admission would more than double his/her odds of ICU admission if moving to a higher utilizing hospital. CONCLUSIONS: Hospitals account for a significant proportion of variation independent of measured patient and hospital characteristics, suggesting the need for further work to evaluate the causes of variation at the hospital level and potential consequences of variation across hospitals.
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 | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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; 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 ».