Notice bibliographique
Résumé
BACKGROUND: A small fraction of the population accounts for a disproportionate share of health care spending and resources. Linking data from health surveys with hospital and death records offers an opportunity to examine high use of acute care in more depth than is possible with administrative data alone. DATA AND METHODS: Data for 62,675 respondents to three cycles of the Canadian Community Health Survey were linked to the Discharge Abstract Database and the Canadian Mortality Database. Respondents were categorized according to cumulative annual days in hospital: high users (30 days or more), non-high users (1 to 29), or not hospitalized. Cross-tabulations stratified by age (50 to 74 and 75 or older) were used to describe the socio-demographic, health, health behaviour, and hospital experience characteristics of the three groups. Multinomial logit and logistic regression were used to examine associations between these characteristics and high use or no hospitalization versus non-high use. RESULTS: High users made up 0.5% of the population aged 50 to 74 and 2.6% of those aged 75 or older, but they accounted for 45.6% and 56.1%, respectively, of the days that people of these ages spent in hospital. Not having a partner, being at the end of life, having a neurological condition, as well as inactivity and comorbidity (ages 50 to 74) increased the odds of high use. Being female, not having major chronic conditions, not being at the end of life, normal/overweight, and being active were associated with no hospitalization. INTERPRETATION: Linking survey, hospital, and death data improves understanding of factors associated with high hospital use.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».