The prevalence of potentially preventable deaths in an acute care hospital
Notice bibliographique
Résumé
Studies estimate that 6% to 27% of deaths in hospitals might be prevented with higher quality care. These estimates may be inaccurate because they fail to account for the uncertainty associated with classifying preventability. The purpose of this study was to measure the prevalence of preventable deaths, accounting for the uncertainty in preventability ratings.We created standardized structured case abstracts for all deaths at a multisite academic teaching hospital over a 3-month period. Each case abstract was evaluated independently by 4 reviewers who rated death preventability on a 100-point scale ranging from 0 ("Definitely not preventable") to 100 ("Definitely preventable"). Ratings were categorized into a 4-level ordinal scale and latent class analysis was used to measure the prevalence of each preventability class and estimate the probability that deaths in each class were preventable.There were 480 deaths (3.4% of all admissions) during the study period. The latent class model (LCM) found that 91.6% (95% CI: 88.4-94.8%) of deaths were "nonpreventable" and 8.4% (5.2-11.6%) were "possibly preventable." "Possibly preventable" deaths could be identified with 90% certainty, but due to error in reviewer ratings, a "possibly preventable" death had a 50% probability of being receiving a rating of less than 25/100 by any single reviewer. Only 5 of 31 deaths classified as a "possibly preventable" (1.0% of all deaths) were judged to likely be alive in 3 months with perfect care.After accounting for uncertainty associated with rating the preventability of hospital deaths, we found that 8.4% of deaths were deemed possibly preventable. There was only moderate probability that these deaths were truly preventable.
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 | 0,001 | 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 ».