Influence of Patient Goals of Care on Performance Measures in Patients Hospitalized for Heart Failure
Notice bibliographique
Résumé
BACKGROUND: Pay for performance programs compare metrics that are risk-adjusted, but goals of care are not considered in current models. We conducted this study to explore the associations between do not resuscitate (DNR) designations, quality of care, and outcomes. METHODS AND RESULTS: Retrospective cohort study with chart review for inpatient quality metrics, 30 day mortality, and readmissions or death within 30 days of discharge in 96 Ontario hospitals participating in the Enhanced Feedback For Effective Cardiac Treatment (EFFECT) study in 2004/05. Of 8339 patients (mean age 77 years) with new heart failure, 1220 (15%) had DNR documented at admission (admission DNR, varying from 0% to 36% between hospitals) and 892 (11%) were switched from full resuscitation to DNR during their index hospitalization (later DNR). Death at 30 days was more common in patients with admission DNR (27%) or later DNR (35%) than full resuscitation (3%)-admission DNR was a stronger predictor (adjusted OR 8.6, 95% confidence interval 6.8-10.7) than any of the variables currently included in heart failure 30 day mortality risk models. Hospital-level rankings differed considerably if DNR patients were excluded: 22 of the 39 EFFECT hospitals in the top and bottom quintiles for 30 day mortality rates (the usual thresholds for rewards/penalties in current performance-based reimbursement schemes) would not have been in those same quintiles if admission DNR patients were excluded. CONCLUSIONS: Alternate goals of care are frequent and important confounders in heart failure comparative studies. Philosophy of care discussions should be considered for inclusion as a potential quality of care indicator.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».