MétaCan
Menu
Retour à la cohorte
Enregistrement W2953599329 · doi:10.1097/mlr.0000000000001149

Comparing Resource Use in Medical Admissions of Children With Complex Chronic Conditions

2019· article· en· W2953599329 sur OpenAlexaff
Jeffrey H. Silber, Paul R. Rosenbaum, Samuel D. Pimentel, Shawna R. Calhoun, Wei Wang, James Sharpe, Joseph G. Reiter, Shivani A. Shah, Lauren L. Hochman, Orit Even‐Shoshan

Notice bibliographique

RevueMedical Care · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensInstitute of Health Economics
Organismes subventionnairesNational Institute of Environmental Health SciencesAgency for Healthcare Research and Quality
Mots-clésMedical diagnosisMedicineBenchmarkingPercentileMatching (statistics)Emergency medicineResource useHealth careMedical emergency

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Children with complex chronic conditions (CCCs) utilize a disproportionate share of hospital resources. OBJECTIVE: We asked whether some hospitals display a significantly different pattern of resource utilization than others when caring for similar children with CCCs admitted for medical diagnoses. RESEARCH DESIGN: Using Pediatric Health Information System data from 2009 to 2013, we constructed an inpatient Template of 300 children with CCCs, matching these to 300 patients at each hospital, thereby performing a type of direct standardization. SUBJECTS: Children with CCCs were drawn from a list of the 40 most common medical principal diagnoses, then matched to patients across 40 Children's Hospitals. MEASURES: Rate of intensive care unit admission, length of stay, resource cost. RESULTS: For the Template-matched patients, when comparing resource use at the lower 12.5-percentile and upper 87.5-percentile of hospitals, we found: intensive care unit utilization was 111% higher (6.6% vs. 13.9%, P<0.001); hospital length of stay was 25% higher (2.4 vs. 3.0 d/admission, P<0.001); and finally, total cost per patient varied by 47% ($6856 vs. $10,047, P<0.001). Furthermore, some hospitals, compared with their peers, were more efficient with low-risk patients and less efficient with high-risk patients, whereas other hospitals displayed the opposite pattern. CONCLUSIONS: Hospitals treating similar patients with CCCs admitted for similar medical diagnoses, varied greatly in resource utilization. Template Matching can aid chief quality officers benchmarking their hospitals to peer institutions and can help determine types of their patients having the most aberrant outcomes, facilitating quality initiatives to target these patients.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,301
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical CareMême sujetHealthcare Policy and ManagementTravaux en français237 207