Predictors of Recurrent Hospital Admission for Patients Presenting With Diabetic Ketoacidosis and Hyperglycemic Hyperosmolar State
Notice bibliographique
Résumé
BACKGROUND: Diabetic ketoacidosis (DKA) and hyperglycemic hyperosmolar state (HHS) are two serious, preventable complications of diabetes mellitus. Analysis of variables associated with recurrent DKA and HHS admission has the potential to improve patient outcomes by identifying possible areas for intervention. The aim of this study was to evaluate potential predictors of recurrent DKA or HHS admission. METHODS: This was a retrospective case-control study of 367 patients presenting during a 5-year period with DKA or HHS at a US tertiary academic medical center. Six potential readmission risk factors identified via literature review were coded as "1" if present and "0" if absent. Readmission odds ratios (ORs) for each risk factor and for the combined score of significant risk factors were calculated by logistic regression. RESULTS: Readmission odds were significantly increased for patients with age < 35, history of depression or substance/alcohol abuse, and self-pay/publicly funded insurance. HbA1C > 10.6% on admission and ethnic minority status did not significantly increase readmission odds, with inadequate study power for these variables. A total "ABCD" score, based on Age (< 35 years), Behavioral health (depression), insurance Coverage (self-pay/publicly funded insurance), and Drug/alcohol abuse, also had a significant effect on readmission odds. CONCLUSIONS: Consideration of individual risk factors and the use of a scoring system based on objective predictors of recurrent DKA and HHS admission could be of value in helping identify patients with high readmission risk, allowing interventions to be targeted most effectively to reduce readmission rates, associated morbidity, and mortality.
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 | 0,002 | 0,009 |
| 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 ».