Comparing and Monitoring Risk-Adjusted Hospital Performance Measures: A Weighted Estimating Equations Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background. There is a great deal of interest in evaluating hospital performance in order to monitor and improve health care quality. Increasingly, risk-adjusted performance measures are available to the public and statistical approaches for estimating these measures are considered. Some methods in use currently are based on 3-year aggregates of data since a small number of cases may lead to imprecise estimates and make it hard for stakeholders to detect differences across hospitals over time. However, if quality changes over time, a measure based on these data is a biased estimate of present performance. Methods. We present an alternative approach (weighted estimating equations [WEE]) for combining historical data in estimation that regulates the tradeoff between bias and precision in the measure of present performance. The WEE approach uses all available historical data through estimating functions that down-weight past data. Results. We compare the WEE approach to two current practices using a realistic dataset of the mortality of patients following an elective percutaneous coronary intervention procedure in New York State who meet certain criteria. The width of the uncertainty interval in the realistic example is up to 65% smaller and the difference is more pronounced for hospitals with a small number of cases. Conclusions. The advantage of this approach extends from the example dataset to other datasets. The WEE approach uses all available data rather than data from an arbitrary 3-year window. The effect of borrowing strength from historical data is a more precise estimate of present performance than current practices. Its advantages are important for the comparison of other aspects of medical performance, including surgical or medical practitioner performance.
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.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle