Optimal Timing of Physician Visits after Hospital Discharge to Reduce Readmission
Notice bibliographique
Résumé
OBJECTIVE: To identify the optimal timing of in-person physician visit after hospital discharge to yield the largest reduction in readmission among elderly or chronically ill patients. DATA SOURCES/STUDY SETTING/EXTRACTION METHODS: We extracted insurance billing data on 620,656 admissions for any cause from 2002 to 2009 in Quebec, Canada. STUDY DESIGN: We used flexible survival models to estimate inverse probability weights for the precise timing (days) of in-person physician visit after discharge and weighted competing risk outcome models. PRINCIPAL FINDINGS: Readmission reduction associated with in-person physician visits (compared to none) was seen early after discharge, with 67.8 fewer readmissions per 1,000 discharges if physician visit occurred within 7 days (95 percent CI: 66.7-69.0), and 110.0 fewer readmissions within 21 days (95 percent CI: 108.2-111.7). The period of largest contribution to readmission reduction was seen in the first 10 days, while physician visits occurring later than 21 days after discharge did not further contribute to reducing hospital readmissions. Larger risk reductions were observed among patients in the highest morbidity level and for in-person follow-up with a primary care physician rather than a medical specialist. CONCLUSIONS: When provided promptly, postdischarge in-person physician visit can prevent many readmissions. The benefits appear optimal when such visit occurs within the first 10 days, or at least within the first 21 days of discharge.
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 | 0,000 |
| 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 | 0,001 |
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 ».