Utility of Birth Certificate Data for Evaluating Hospital Variation in Admissions to NICUs
Notice bibliographique
Résumé
OBJECTIVES: Efforts to study potential overuse of NICU admissions and hospital variation in practice are often hindered by a lack of an appropriate data source. We examined the concordance of hospital-level NICU admission rates between birth certificate data and California Children’s Services (CCS) data to inform the utility of birth certificate data in studying hospital variation in NICU admissions. METHODS: We analyzed birth certificate data from California in 2012 and hospital-specific summary data from CCS regarding NICU admissions. NICU admission rates were calculated for both data sets while using CCS data as the gold standard. The difference between birth certificate–based and CCS-based NICU admission rates was assessed by using the Wilcoxon signed rank test, and concordance between the 2 rates was evaluated by using Lin’s concordance correlation coefficient and Kendall’s W concordance coefficient. RESULTS: Among a total of 103 hospitals that were linked between the 2 data sets, birth certificate data generally underreported NICU admission rates compared with CCS data (median = 7.72% vs 11.51%; P < .001). However, in a subset of 35 hospitals where the difference in NICU admission rates between the 2 data sets was small, the birth certificate–based NICU admission rate showed good concordance with the rate from CCS data (Lin’s concordance correlation coefficient = 0.91; 95% confidence interval: 0.84–0.95; Kendall’s W concordance coefficient = 0.99; P < .001). Hospitals with good-concordance data did not differ from other hospitals in the institutional characteristics assessed. CONCLUSIONS: For a selected subset of hospitals, birth certificate data may offer a reasonable means to investigate hospital variation in NICU admissions.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».