The Effect of an Inpatient Smoking Cessation Treatment Program on Hospital Readmissions and Length of Stay
Notice bibliographique
Résumé
BACKGROUND Most clinical research involving tobacco dependence treatment is related to outpatient interventions and focuses on health outcomes. Inpatient smoking cessation treatment has been found to be cost‐effective in the Canadian healthcare system, but the finding's applicability to US health systems is unclear. OBJECTIVE The objective of this study is to estimate the impact of an inpatient tobacco cessation treatment program on 30‐day readmission rates and length of stay (LOS). METHODS Participants were 28,994 patients admitted to the hospital between July 2012 and July 2014. Smokers were identified through the electronic medical records system and were offered cessation treatment. Program effects were estimated by using a difference‐in‐differences approach, comparing all smokers to all nonsmokers before versus after introduction of the program. Readmission rates were modeled by using probit regression; LOS was modeled by using truncated negative binomial regression. Models controlled for age, sex, race, payer, hospital department, severity of illness, and intensive care unit days. RESULTS The hospital‐initiated smoking cessation intervention had no significant effect on 30‐day readmission rates or LOS. Other control variables had the expected signs and were statistically significant. CONCLUSIONS The evaluation of an inpatient tobacco dependence treatment did not find significant short‐term changes in healthcare utilization in the first 30 days after initial hospitalization.
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 | 0,000 | 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 ».