Comparison of Methods to Define High Use of Inpatient Services Using Population‐Based Data
Notice bibliographique
Résumé
BACKGROUND: A variety of methods have been proposed to define "high users" of inpatient services, which may have implications for targeting subgroups for intervention. OBJECTIVE: To compare 3 common definitions of high inpatient service use and their influence on patient capture, outcomes, and inpatient burden. DESIGN, SETTING, PATIENTS: We defined "high use" based on the upper 5th percentile of the population by 3 definitions: (1) number of inpatient episodes (≥3 hospitalizations/year), (2) cumulative length of stay (≥56 days in hospital/year), and (3) cumulative cost based on hospitalization resource intensity weights (≥ $63,597 Canadian dollars/year). Clinical characteristics, health outcomes, and overall health burden were compared across definitions and stratified by age. RESULTS: Of that population, 10.3% of individuals were common to all definitions. High users based on number of inpatient episodes were more likely to be admitted for acute conditions, with most high users based on length of stay admitted for mental health-related conditions, while those based on costs were more likely to have hospitalizations resulting in death (9.3%). High-episode individuals accounted for 16.6% of all inpatient episodes, high-length of stay individuals for 46.4% of all hospital days, and high-cost individuals for 38.9% of total cost. CONCLUSIONS: Three definitions of high users of inpatient services captured significantly different groups of patients. This has implications for targeting subgroups for intervention and highlights important considerations for selecting the most suitable definition for a given objective.
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) | 0,001 | 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 | 0,001 | 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 ».