How Specialist Aftercare Impacts Long-Term Readmission Risks in Elderly Patients With Metabolic, Cardiac, and Chronic Obstructive Pulmonary Diseases: Cohort Study Using Administrative Data
Notice bibliographique
Résumé
BACKGROUND: The health state of elderly patients is typically characterized by multiple co-occurring diseases requiring the involvement of several types of health care providers. OBJECTIVE: We aimed to quantify the benefit for multimorbid patients from seeking specialist care in terms of long-term readmission risks. METHODS: From an administrative database, we identified 225,238 elderly patients with 97 different diagnosis (ICD-10 codes) from hospital stays and contact with 13 medical specialties. For each diagnosis associated with the first hospital stay, we used multiple logistic regression analysis to quantify the sex-specific and age-adjusted long-term all-cause readmission risk (hospitalizations occurring between 3 months and 3 years after the first admission) and how specialist contact impacts these risks. RESULTS: Men have a higher readmission risk than women (mean difference over all first diagnoses 1.9%, P<.001), but similar reduction in readmission risk after receiving specialist care. Specialist care can reduce readmission risk by almost 50%. We found the greatest reductions in risk when the first hospital stay was associated with diagnoses corresponding to complex chronic diseases such as acute myocardial infarction (57.6% reduction in readmission risk, SE 7.6% for men [m]; 55.9% reduction, SE 9.8% for women [w]), diabetic and other retinopathies (m: 62.3%, SE 8.0; w: 60.1%, SE 8.4%), chronic obstructive pulmonary disease (m: 63.9%, SE 7.8%; w: 58.1%, SE 7.5%), disorders of lipoprotein metabolism (m: 64.7%, SE 3.7%; w: 63.8%, SE 4.0%), and chronic ischemic heart diseases (m: 63.6%, SE 3.1%; w: 65.4%, SE 3.0%). CONCLUSIONS: Specialist care can greatly reduce long-term readmission risk for patients with chronic and multimorbid diseases. Further research is needed to identify the specific reasons for these findings and to understand the detected sex-specific differences.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».