Risk predictors for hospital readmission in a low socio-economic and underserved population
Notice bibliographique
Résumé
Objective: Hospital readmissions are significant and potentially preventable sources of healthcare cost in the United States. The Affordable Care Act (ACA) establishes the Hospital Readmissions Reduction Program (HRRP) in an attempt to reduce readmissions by penalizing institutions whose 30-day readmission rates are above the national average. The current study examines demographic and clinical variables associated with early hospital readmission in a low socioeconomic status, underserved population.Methods: A secondary data analysis was conducted of 2,536 patients from the acute primary care facilities who were hospitalized. Age, sex, race, ethnicity, smoking status, systolic blood pressure, diastolic blood pressure, body temperature, pulse rate, and days to follow up visit were analyzed in a sample of 2,536 hospitalized patients at or below 200% of federal poverty guidelines in Central Texas to determine association with risk of 0-30- (30), 31-60- (60) and 61-90- (90) day all-cause readmission.Results: Multinomial statistical analysis found pulse rate was associated with 30-, 60-, and 90-day readmission as compared to a control group. Days to follow-up were associated with decreased risk of readmission in all groups, and passive smoking status was associated with decreased risk of 90-day readmission as compared to a control group.Conclusions: Results offer healthcare providers with tools for potentially identifying patients at elevated risk for readmission in a disadvantaged population and suggest further investigation of other clinical and laboratory variables as predictors of readmission risk.
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 | 0,000 |
| 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 ».