MétaCan
Menu
← Retour à la cohorte
Enregistrement W3091815271 · doi:10.1371/journal.pone.0240208

A population-based sex-stratified study to understand how health status preceding traumatic brain injury affects direct medical cost

2020· article· en· W3091815271 sur OpenAlexafffundabout
Vincy Chan, Mackenzie Hurst, Tierza Petersen, Jingqian Liu, Tatyana Mollayeva, Angela Colantonio, Mitchell Sutton, Michael Escobar

Notice bibliographique

RevuePLoS ONE · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueTrauma and Emergency Care Studies
Établissements canadiensInstitute for Clinical Evaluative SciencesPublic Health OntarioUniversity of TorontoToronto Rehabilitation InstituteUniversity Health Network
Organismes subventionnairesNational Institute of Child Health and Human DevelopmentCanadian Institutes of Health ResearchEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentGovernment of OntarioInstitute for Clinical Evaluative SciencesAlzheimer's Association
Mots-clésMedicineEmergency departmentTraumatic brain injuryPopulationHealth careIndirect costsEmergency medicineAcute careInjury preventionPoison controlPediatricsPsychiatryEnvironmental health

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To understand how pre-injury health status present five-years preceding traumatic brain injury (TBI) affects direct medical cost two years post-injury. METHODS: Patients age ≥19 years in the emergency department (ED) or acute care for a TBI between April 1, 2007 and March 31, 2014 in Ontario, Canada (N = 55,669) were identified from population-based health administrative data. Forty-three factors of pre-injury health status (i.e., comorbidities and personal, social, and environmental factors) that were internally validated for the TBI population were assessed in this study. The outcome of interest was direct medical cost within two years of discharge. Sex-specific multivariable linear regressions were conducted to understand the associations between direct medical cost within two years of discharge and pre-injury health status. RESULTS: Patients who received care in the ED (81.9% of total sample) incurred a median cost of $2,492/male patient (average $12,342/patient) and $3,508/female patient (average $65,285/patient) within two years of injury; 37 pre-injury factors were significantly associated with increased direct medical costs. Patients who first received care for their TBI in acute care (18.1%) incurred a median cost of $25,081/male patient (average $63,060/patient) and $30,277/female patient (average $65,285/patient) within two years of injury; 21 factors were significantly associated with increased direct medical costs. Among more prevalent factors, those associated with increased medical cost by at least 50% included mental health disorders, substance abuse, disorders or medical conditions frequently observed among the elderly, cardiovascular disorders, stroke and emergencies involving the brain, metabolic disorders and abdominal symptoms, conditions and symptoms of abdomen and pelvis, genitourinary disorders and disorders of prostate, and pulmonary abdominal and other emergencies. CONCLUSIONS: Direct medical costs two years post-TBI differed significantly between patients with and without adverse pre-existing health status. Interdisciplinary teams to promote early identification of pre-existing health conditions and appropriate management and integration of these conditions in TBI care across the continuum of healthcare may be opportunities to reduce direct medical costs post-injury.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,261
Score d'incertitude au seuil0,519

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,150
Tête enseignante GPT0,347
Écart entre enseignants0,197 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations22
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePLoS ONE→Même sujetTrauma and Emergency Care Studies→Travaux en français237 207→