Readmission Rates After Hip Fracture: Are There Prefracture Warning Signs for Patients Most at Risk of Readmission?
Notice bibliographique
Résumé
BACKGROUND: The purpose of this study was to evaluate known and yet unknown risk factors associated with readmission to the hospital within 30 days after hip fracture. METHODS: In this study, we used the Cerner Health Facts Electronic Health Record database data from January to August 2015. The univariate association of each variable (discharge location, demographic details, and comorbidities) against the 30-day readmission status was evaluated using the Chi-square test or the Fisher exact test. The significant variables (P < 0.05) obtained by the univariate analysis were used to build the multivariate logistic regression model to evaluate the multivariate associations of the variables. RESULTS: Thirty-four thousand seven hundred ninety index admissions of 33,740 unique patients were included in the study cohort. The overall 30-day readmission rate for patients with hip fractures was 10.7%. We demonstrated a new variable not discussed in previous articles on this topic: patients with previous inpatient/emergency visits within the past year were more likely to be readmitted within 30 days after the hip fracture surgery (P < 0.001). CONCLUSION: For patients with hip fractures, particular efforts should be taken to optimize outcomes in those with recent hospitalizations and/or discharge to a location other than home.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».