Successful hospital readmission reduction initiatives: Top five strategies to consider implementing today
Notice bibliographique
Résumé
Only one quarter of U.S. hospitals demonstrated low enough levels of 30 day readmission rates to avoid penalties imposed by the Hospital Readmissions Reduction Program (HRRP) in 2016. Previous work describes interventions for reducing hospital readmission rates; however, without a comprehensive analysis of these interventions, healthcare leaders cannot prioritize strategies for implementation within their healthcare environment. This comparative study identifies the most effective interventions to reduce unplanned 30-day readmissions. The MEDLINE-PubMed database was used to conduct a systematic review of existing literature about interventions for 30-day readmission reduction published from 2006 through 2017. Data were extracted on hospital type, setting, disease type, intervention type, study sample, and impact level. Of 4,886 citations, 508 articles were reviewed in full-text, and 90 articles met the inclusion criteria. Based on the three analytic methodologies of means, weighted means, and pooled estimated impact level, the most effective interventions to reduce unplanned 30-day admissions were identified as collaboration with clinical teams and/or community providers, post-discharge home visits, telephone follow-up calls, patient/family education, and discharge planning. Commonly, all five interventions identify patient level engagement for success. The findings reveal the need for shared accountability towards desired outcomes among health systems, providers, and patients while providing hospital leaders with actionable strategies that can effectively reduce 30-day readmission rates.
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 | 0,026 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».