Interventions aimed at addressing unplanned hospital readmissions in the U.S.: A systematic review
Notice bibliographique
Résumé
One of the policy mechanisms aimed at improving population health through health care delivery is the Hospital Readmissions Reduction Program (HRRP) as outlined in the Affordable Care Act. Although numerous procedural and behavioral interventions have been implemented, the empirical evidence of the efficacy of these interventions is mixed and specific to certain patient segments. This review aimed to systematically assess studies of hospital interventions to reduce 30-day readmissions for specific diseases and populations. Following the PRISMA review checklist, searches were conducted from January 2000 to August 2018 in the MEDLINE and EMBASE databases using terms such as “patient readmission”, “readmit” and “re-hospitalization” in conjunction with disease terms such as “asthma”, “chronic obstructive pulmonary disease (COPD)” and “pneumonia”. Of 3,806 articles identified, 45 were included after a 3-step inclusion process. The age group most frequently considered among the studies was the 65 age cohort. Multidisciplinary collaborative interventions were most frequently effective for the subset of elderly, female, Caucasian, and heart failure patients. Interventions involving patient or family education delivered before and after care were most effective for racial minority, elderly, COPD, and heart failure patients. Telephone follow-up, tele-homecare, and medication reconciliation were largely found to be successful in reducing readmissions. Major gaps exist in identifying successful interventions for reducing 30-day readmissions among patients who sought treatment for sepsis, stroke, and replacement of the hip or knee. Our findings indicate an opportunity for researchers to further study, and for healthcare organizations to implement, more well-informed interventional strategies to reduce readmissions.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».