Costs variations for percutaneous nephrolithotomy in the U.S. from 2003–2015: A contemporary analysis of an all-payer discharge database
Notice bibliographique
Résumé
Introduction: We sought to evaluate population-based cost variations and predictors of outlier costs for percutaneous nephrolithotomy (PCNL) in the U.S. Methods: Using the Premier Healthcare Database, we identified all patients diagnosed with kidney/ureter calculus who underwent PCNL from 2003–2015. We evaluated 90-day direct hospital costs, defining high- and low-cost surgery as those >90th and <10th percentile, respectively. We constructed a multilevel, hierarchical regression model and calculated the pseudo-R2 of each variable, which translates to the percentage variability contributed by that variable on 90-day direct hospital costs. Results: A total of 114 581 patients underwent PCNL during the 12-year study period. Mean cost in the low-cost group was $5787 (95% confidence interval [CI] 5716–5856) vs. $38 590 (95% CI 37 357–39 923) in the high-cost group. Cost variations were substantially impacted by patient (63.7%) and surgical (18.5%) characteristics and less so by hospital characteristics (3.9%). Significant predictors of high costs included more comorbidities (≥2 vs. 0: odds ratio [OR] 1.81; p=0.01) and hospital region (Northeast vs. Midwest: OR 2.04; p=0.03). Predictors of low cost were hospital bed size of 300–499 beds (OR 1.35; p<0.01) and urban hospitals (OR 2.77; p=0.01). Factors less likely to be associated with lowcost PCNL were more comorbidities (Charlson Comorbidity Index [CCI] ≥2: OR 0.69; p<0.0001), larger hospitals (OR 0.61; p=0.01), and teaching hospitals (OR 0.33; p<0.0001). Conclusions: Our contemporary analysis demonstrates that patient and surgical characteristics had a significant effect on costs associated with PCNL. Poor comorbidity status contributed to high costs, highlighting the importance of patient selection.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».