Repeat emergency department visits by nursing home residents: a cohort study using health administrative data
Notice bibliographique
Résumé
BACKGROUND: Nursing home (NH) residents are frequent users of emergency departments (ED) and while prior research suggests that repeat visits are common, there is little data describing this phenomenon. Our objectives were to describe repeat ED visits over one year, identify risk factors for repeat use, and characterize "frequent" ED visitors. METHODS: Using provincial administrative data from Ontario, Canada, we identified all NH residents 65 years or older who visited an ED at least once between January 1 and March 31, 2010 and then followed them for one year to capture all additional ED visits. Frequent ED visitors were defined as those who had 3 or more repeat ED visits. We used logistic regression to estimate risk factors for any repeat ED visit and for being a frequent visitor and Andersen-Gill regression to estimate risk factors for the rate of repeat ED visits. RESULTS: In a cohort of 25,653 residents (mean age 84.5 (SD = 7.5) years, 68.2% female), 48.8% had at least one repeat ED visit. Residents who experienced a repeat ED visit were generally similar to others but they tended to be slightly younger, have a higher proportion male, and a higher proportion with minimal cognitive or physical impairment. Risk factors for a repeat ED visit included: being male (adjusted odds ratio 1.27, (95% confidence interval 1.19-1.36)), diagnoses such as diabetes (AOR 1.28 (1.19-1.37)) and congestive heart failure (1.26 (1.16-1.37)), while severe cognitive impairment (AOR 0.92 (0.84-0.99)) and 5 or more chronic conditions (AOR 0.82 (0.71-0.95)) appeared protective. Eleven percent of residents were identified as frequent ED visitors, and they were more often younger then 75 years, male, and less likely to have Alzheimer's disease or other dementias than non-frequent visitors. CONCLUSIONS: Repeat ED visits were common among NH residents but a relatively small group accounted for the largest number of visits. Although there were few clear defining characteristics, our findings suggest that medically complex residents and younger residents without cognitive impairments are at risk for such outcomes.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».