Impact of pharmacist discharge counseling on hospital readmission and emergency department visit
Notice bibliographique
Résumé
Objective: The enactment of the Affordable Care Act (ACA) in 2010 imposes payment penalty on hospitals with high hospital readmission rates. In an effort to reduce readmissions, a pharmacist discharge counseling program was implemented to facilitate transition of care to the outpatient setting. Our study objective was to evaluate the impact of the program on hospital readmissions and visits to the emergency department (ED).Methods: This was a single-center, retrospective cohort study conducted at a not-for-profit, teaching community hospital with 462 total beds. Pharmacists provided counseling to patients discharged from the medicine floor between November 2013 and January 2014, and included those considered to be high-risk (e.g., taking 5 scheduled medications and had diseases such as congestive heart failure and diabetes mellitus). Descriptive analysis was performed and outcomes were compared between patients who did and did not receive pharmacist counseling.Results: Of a total of 889 discharged patients, 488 (55%) received counseling from a pharmacist. For the entire cohort, mean age was 55 ± 20 years; Charlson Comorbidity Index (CCI) score was 2.74 ± 2.95; and length of hospitalization was 4 ± 4 days. These parameters were not statistically different between the two groups. Within 30-days after hospital discharge, significantly fewer subjects who received counseling, compared with those who did not, were readmitted to the hospital (11.3% vs. 15%, p = .009) or visited the ED (10.6% vs. 15%, p = .005).Conclusions: Discharge counseling provided by pharmacists during transitions of care at a community hospital significantly reduced 30-day readmission and ED visit rates.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».