Leveraging vascular quality initiative data to improve hospital length of stay for patients undergoing endovascular aneurysm repair
Notice bibliographique
Résumé
Background: The Society for Vascular Surgery Vascular Quality Initiative (SVS-SVQI) is a database that provides insight into standards of care and highlights opportunities for quality improvement by benchmarking institutional data against local, regional and national trends. Endovascular aneurysm repair (EVAR) is a frequently performed vascular operation. Postoperative length of stay in hospital (LOS) varies among institutions. We reviewed the morbidity and mortality of patients who underwent EVAR at our institution and the financial impact of increased LOS for these patients. In addition, we sought to identify modifiable factors associated with prolonged LOS. Methods: We identified all patients who underwent elective EVAR between Jan. 1, 2011, and Dec. 31, 2014. Preoperative patient characteristics, intraoperative details, postoperative factors, long-term (1 yr) outcomes and cost data were reviewed. Univariate analysis was used to determine statistical differences between patients with LOS less than or equal to 2 days and greater than 2 days. Interventions were implemented to modify factors identified as having a negative impact on EVAR LOS. Results: Identified factors that negatively affected EVAR LOS included social, neurologic, cardiovascular, urologic and renal issues. Following targeted interventions, LOS after EVAR decreased from an average of 3.8 to 3.0 days (p < 0.05). Logistic regression (n = 124) identified cardiovascular issues as the most significant predictor of LOS greater than 2 days (p = 0.001, odds ratio 14.24, 95% confidence interval 2.8–71.4). Reduction in LOS was associated with the additional benefit of 6.6% adjusted cost savings. Conclusion: By leveraging SVS-VQI data, we were able to reduce EVAR LOS by identifying modifiable factors and instituting focused interventions. The reduction in LOS was associated with cost savings to the hospital.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».