Hospital and Intensive Care Unit Length of Stay for Injury Admissions
Notice bibliographique
Résumé
OBJECTIVE: To assess the variation in hospital and intensive care unit (ICU) length of stay (LOS) for injury admissions across Canadian provinces and to evaluate the relative contribution of patient case mix and treatment-related factors (intensity of care, complications, and discharge delays) to explaining observed variations. BACKGROUND: Identifying unjustified interprovider variations in resource use and the determinants of such variations is an important step towards optimizing health care. METHODS: We conducted a multicenter, retrospective cohort study on admissions for major trauma (injury severity score >12) to level I and II trauma centers across Canada (2006-2012). We used data from the Canadian National Trauma Registry linked to hospital discharge data to compare risk-adjusted hospital and ICU LOS across provinces. RESULTS: Risk-adjusted hospital LOS was shortest in Ontario (10.0 days) and longest in Newfoundland and Labrador (16.1 days; P < 0.001). Risk-adjusted ICU LOS was shortest in Québec (4.4 days) and longest in Alberta (6.1 days; P < 0.001). Patient case-mix explained 32% and 8% of interhospital variations in hospital and ICU LOS, respectively, whereas treatment-related factors explained 63% and 22%. CONCLUSIONS: We observed significant variation in risk-adjusted hospital and ICU LOS across trauma systems in Canada. Provider ranks on hospital LOS were not related to those observed for ICU LOS. Treatment-related factors explained more interhospital variation in LOS than patient case-mix. Results suggest that interventions targeting reductions in low-value procedures, prevention of adverse events, and better discharge planning may be most effective for optimizing LOS for injury admissions.
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 | 0,000 | 0,002 |
| 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 ».