The Frequency of and Reasons for Hospital Readmission Post Percutaneous Coronary Intervention
Notice bibliographique
Résumé
Objectives: The objective of this study was to determine the frequency of and reasons for six months unplanned readmission to hospital post Percutaneous Coronary Intervention (PCI). Background: PCI has become an important and effective way of treating heart disease; however the occurrence of hospital readmission post PCI is not well documented. Methods: The frequency of hospital readmissions were tracked for six months following PCI using the APPROACH registry database. The incidence of and reasons for hospital readmission were determined using the Capital Health Region Administrative Database and the ICD-10 coding for hospital readmission. Results: Of 2641 subjects, it was observed that 4.5% of patients were readmitted to hospital within six months of PCI and 18.6% of patients visited the ED for reasons directly related to PCI. The top reasons for readmission were chest pain (31.2%), atherosclerotic heart disease (24.3%), bleeding/complications with anticoagulation (10.9%), myocardial infarction (7.5%) and procedural complications (3.7%). Factors shown to be independent predictors of hospital readmission were congestive heart failure (p = 0.009), pulmonary disease (p = 0.008), malignancy (p = 0.002), liver disease (p = 0.012) and female gender (p = 0.015). Conclusions: The data indicates that while in-patient six months unplanned hospital readmission post PCI is relatively low, ED visits are substantial. The creation of a post PCI clinic and/or a post PCI hotline may prove to be useful in decreasing hospital visits post PCI. If patients are routinely followed up in the early post PCI period, access to health care may be improved, allowing complications to be observed sooner and care to be given quicker.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».