Does practice analysis agree with the ambulatory care sensitive conditions’ list of avoidable unplanned admissions?: a cross-sectional study in the East of England
Notice bibliographique
Résumé
OBJECTIVES: To use significant event audits (SEAs) in primary care to determine which of a sample of emergency (unplanned) admissions were potentially avoidable; and compare with the National Health Service (NHS) list of ambulatory care sensitive conditions (ACSCs). DESIGN: Analysis of unplanned medical admissions randomly identified in secondary care. SETTING: Primary care in the East of England. PARTICIPANTS: 20 general practice teams trained to use SEA on unplanned admissions to identify potentially preventable factors. INTERVENTIONS: SEA of admissions. MAIN OUTCOME MEASURES: Level of agreement between those admissions identified as potentially preventable by SEA and the NHS ACSC list. RESULTS: 132 (26%) of randomly selected patients with unplanned admissions gave consent and an SEA was performed by their primary practice team. 130 SEA reports had sufficient data for our analysis. Practices concluded that 17 (13%) admissions were potentially preventable. The NHS ACSC list identified 36 admissions (28%) as potentially preventable. There was a low level of agreement between the practices and the NHS list as to which admissions were preventable (kappa=0.253). The ACSC list consisted mainly of respiratory admissions whereas the practice list identified a wider range of cases and identified context-specific factors as important. CONCLUSIONS: There was disagreement between the NHS list and practice conclusions of potentially avoidable admissions. The SEAs suggest that the pathway into unplanned admission may be less dependent on the condition than on context-specific factors, and the assumption that unplanned admissions for ACSCs are reasonable indicators of performance for primary care may not be valid.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».