Hospital based physician advisor program sheds new light on observation rate
Notice bibliographique
Résumé
Hospital observation is a topic of interest among patients for whom being classified as observation has negative financial ramifications. Similarly, observation rate is monitored by some hospital administrators because of its potential financial impact on the health system. During the creation of an internal physician advisor program, the new health system physician advisor was asked to investigate causes for a higher than average observation rate for WellSpan Summit Health. Using Lean methodology, standard work was established for the physician advisor observation patient review process when inpatient criteria were not met. Key performance indicators were tracked using production boards and a dashboard that interfaces with the electronic health record. The physician advisor program decreased missed inpatient conversion opportunities, but despite fixing process problems, improving level of care determination accuracy, and seeing outcomes that should have decreased the observation rate, the observation rate paradoxically increased. The cause of the rising observation rate is unknown but is likely multifactorial. Possible causes include changing standards concerning what qualifies as inpatient, Affordable Care Act (ACA) expansion of insured patients presenting to the emergency department (ED) with low acuity conditions, and the safety net function of the hospital for patients living with adverse social determinants of health. The safety net theory is most likely true for “high utilizers” using a greater portion of hospital resources than the rest of the population. This study provides evidence that observation rate is not a useful metric in the absence of a process problem. A more meaningful metric concerning observation patients is observation length of stay.
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 | 0,000 | 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 ».