Impact of hospitals’ Referral Region racial and ethnic diversity on 30-day readmission rates of older adults
Notice bibliographique
Résumé
Background: The Hospital Readmissions Reduction Program (HRRP) began decreasing Medicare payments to hospitals reporting high readmission rates for individuals over 65. Thus, financially incentivizing hospitals to improve quality performance on preventable readmissions. Well-established research indicates that minorities are more frequently readmitted to hospitals, but it is unknown if community diversity is associated with 30-day readmission rates.Objectives: To investigate the association between racial/ethnic diversity and hospitals’ 30-day readmission rates.Methods: We linked the 2017 HRRP, American Hospital Association (AHA) database, Area Health Resource File, US Census Bureau Current Population Survey, and the Dartmouth Atlas HRR dataset to examine 30-day readmission rate for heart failure (HF), pneumonia (PN), acute myocardial infarction (AMI), and hip replacement (HR) surgery of 4,299 hospitals across 306 HRRs.Results: Our findings indicate a statistically significant negative relationship between diversity and 30-day readmission rates for HF, PN, AMI, and HR with a hospital referral region (HRR). Thus, hospitals located in HRRs with diverse populations are more likely to have higher 30-day readmission rates for all conditions under Medicare’s HRRPConclusion: Better discharge follow-up, interventions, and use of support staff aimed at meeting needs associated with differences in communities and cultures are likely to prove more fruitful than traditional one-size fits all approaches to care.
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) | 0,001 | 0,000 |
| 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 | 0,002 |
| 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 ».