Missing the Mark: Inaccuracy of administrative data in identification of hospitalized patients with pneumonia and results of a systematic clinical reclassification process on readmission rates
Notice bibliographique
Résumé
Objective: Pneumonia readmissions carry financial ramifications under the Hospital Readmissions Reduction Program (HRRP). As readmission determination utilizes administrative data, healthcare systems should evaluate accuracy of pneumonia diagnoses. We sought to develop a systemic process for pneumonia classification review and determine potential effects on pneumonia readmissions in a tertiary academic medical center in the United States.Methods: We performed independent reviews of all pneumonia discharges within 48 hours of discharge over a one-year period. We reclassified all pneumonia discharges into four categories based on the Centers for Disease Control and Prevention reference standard. Secondary review of discordant classifications was performed by discharging providers to determine final diagnosis. The primary outcome was readmission rate within 30 days by pneumonia clinical classification category.Results: Two hundred seventy-eight discharges were reviewed, with overall readmission rate of 18.0%. Independent review confirmed 191 cases (68.7%) as definite or probable pneumonia, while 87 cases (31.3%) were classified as either probably not or not pneumonia. Readmission rates differed significantly between cases reviewed as pneumonia vs. those reviewed as unlikely to be pneumonia (14.1% vs. 26.4%, p < .02). Discharging attending physicians agreed with independent reviewers in 58/87 cases (66.6%), attenuating readmission differences (rate 16.8% for those finalized as pneumonia vs. 22.4% for another diagnosis, p = .32). Pneumonia readmissions were reduced by 1.2% using the classification standard.Conclusions: Complex conditions such as pneumonia may be inaccurately diagnosed in many patients, potentially affecting penalties associated with readmission rates. Therefore, it is imperative that healthcare systems adopt systematic review processes to standardize diagnoses and improve comparative administrative data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,104 | 0,407 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».