Predictors of Discharge Destination after Lumbar Spine Fusion Surgery
Notice bibliographique
Résumé
Introduction Lumbar spine fusion surgery is a common surgical procedure used to treat a variety of lumbar spine conditions. A great number of patients fail to go home after surgery and require transfer to a rehabilitation center. Many Patients requiring transfer to rehabilitation centers often have an extended hospital length of stay due to lack of beds at rehabilitation centers. Each extra day spent at the hospital costs the health system approximately $1000 USD. The aim of this study was to identify predictive factors for discharging patients to an inpatient rehabilitation center after undergoing lumbar spine fusion surgery. Methods We retrospectively identified a total of 15,092 patients undergoing lumbar spine fusion from 2011 to 2013 using the ACS-NSQIP database. Patients were dichotomized based on discharge destination to patients who were discharged home ( N = 12,339) and others who were discharged to a rehabilitation center ( N = 2753). Outcomes included patient demographics, comorbidities, and clinical characteristics. A multivariate logistic regression was used to identify whether outcomes studied were predictive factors for discharging patients to a rehabilitation center after lumbar fusion surgery. Results Majority of patients were discharged home after lumbar fusion surgery (81.76%) with only some discharged to a rehabilitation center (18.24%). Multivariate analysis identified age ≥40, female gender, comorbidities (diabetes, COPD, CHF, and obesity), minor and major complications, hospital length of stay (LOS), operative time ≥ 259 minutes, multilevel surgery, and return to the operation room as significant predictive factors of discharging patients to a rehabilitation center after lumbar fusion surgery. Conclusion The identified predictive factors can help the health system in developing an algorithm for early recognition of patients requiring postoperative admission to a rehabilitation center and possibly decreasing their hospital LOS. This can significantly decrease the hospital costs for such patients.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».