MétaCan
Menu
Retour à la cohorte
Enregistrement W3009126328 · doi:10.1186/s12913-020-5030-0

Healthcare utilization after a first hospitalization for COPD: a new approach of State Sequence Analysis based on the '6W' multidimensional model of care trajectories

2020· article· en· W3009126328 sur OpenAlexafffundabout
Alain Vanasse, Josiane Courteau, Mireille Courteau, Mike Benigeri, Yohann Chiu, Isabelle Dufour, Simon Couillard, Pierre Larivée, Catherine Hudon

Notice bibliographique

RevueBMC Health Services Research · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiquePrimary Care and Health Outcomes
Établissements canadiensUniversité de MontréalCentre Hospitalier Universitaire de SherbrookeUniversité de Sherbrooke
Organismes subventionnairesCanadian Institutes of Health ResearchUniversité de Sherbrooke
Mots-clésMedicineHealth careHealth administrationTypologyHealth informaticsCohortDescriptive statisticsCOPDPublic healthCohort studyEmergency medicineNursingInternal medicineStatistics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Published methods to describe and visualize Care Trajectories (CTs) as patterns of healthcare use are very sparse, often incomplete, and not intuitive for non-experts. Our objectives are to propose a typology of CTs one year after a first hospitalization for Chronic Obstructive Pulmonary Disease (COPD), and describe CT types and compare patients' characteristics for each CT type. METHODS: This is an observational cohort study extracted from Quebec's medico-administrative data of patients aged 40 to 84 years hospitalized for COPD in 2013 (index date). The cohort included patients hospitalized for the first time over a 3-year period before the index date and who survived over the follow-up period. The CTs consisted of sequences of healthcare use (e.g. ED-hospital-home-GP-respiratory therapists, etc.) over a one-year period. The main variable was a CT typology, which was generated by a 'tailored' multidimensional State Sequence Analysis, based on the "6W" model of Care Trajectories. Three dimensions were considered: the care setting ("where"), the reason for consultation ("why"), and the speciality of care providers ("which"). Patients were grouped into specific CT types, which were compared in terms of care use attributes and patients' characteristics using the usual descriptive statistics. RESULTS: The 2581 patients were grouped into five distinct and homogeneous CT types: Type 1 (n = 1351, 52.3%) and Type 2 (n = 748, 29.0%) with low healthcare and moderate healthcare use respectively; Type 3 (n = 216, 8.4%) with high healthcare use, mainly for respiratory reasons, with the highest number of urgent in-hospital days, seen by pulmonologists and respiratory therapists at primary care settings; Type 4 (n = 100, 3.9%) with high healthcare use, mainly cardiovascular, high ED visits, and mostly seen by nurses in community-based primary care; Type 5 (n = 166, 6.4%) with high healthcare use, high ED visits and non-urgent hospitalisations, and with consultations at outpatient clinics and primary care settings, mainly for other reasons than respiratory or cardiovascular. Patients in the 3 highest utilization CT types were older, and had more comorbidities and more severe condition at index hospitalization. CONCLUSIONS: The proposed method allows for a better representation of the sequences of healthcare use in the real world, supporting data-driven decision making.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,819
Score d'incertitude au seuil0,995

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,255
Tête enseignante GPT0,495
Écart entre enseignants0,241 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations55
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Health Services ResearchMême sujetPrimary Care and Health OutcomesTravaux en français237 207