The Effect of Hospital Safety-Net Burden and Patient Ethnicity on In-Hospital Mortality Among Hospitalized Patients With Cirrhosis
Notice bibliographique
Résumé
BACKGROUND: Over 2.1 million individuals in the United Stats have cirrhosis, including 513,000 with decompensated cirrhosis. Hospitals with high safety-net burden disproportionately serve ethnic minorities and have reported worse outcomes in surgical literature. No studies to date have evaluated whether hospital safety-net burden negatively affects hospitalization outcomes in cirrhosis. We aim to evaluate the impact of hospitals' safety-net burden and patients' ethnicity on in-hospital mortality among cirrhosis patients. METHODS: Using National Inpatient Sample data from 2012 to 2016, the largest United States all-payer inpatient health care claims database of hospital discharges, cirrhosis-related hospitalizations were stratified into tertiles of safety-net burden: high (HBH), medium (MBH), and low (LBH) burden hospitals. Safety-net burden was calculated as percentage of hospitalizations per hospital with Medicaid or uninsured payer status. Multivariable logistic regression evaluated factors associated with in-hospital mortality. RESULTS: Among 322,944 cirrhosis-related hospitalizations (63.7% white, 9.9% black, 15.6% Hispanic), higher odds of hospitalization in HBHs versus MBH/LBHs was observed in blacks (OR, 1.26; 95%CI, 1.17-1.35; P<0.001) and Hispanics (OR, 1.63; 95% CI, 1.50-1.78; P<0.001) versus whites. Cirrhosis-related hospitalizations in MBHs or HBHs were associated with greater odds of in-hospital mortality versus LBHs (HBH vs. LBH: OR, 1.05; 95% CI, 1.00-1.10; P=0.044). Greater odds of in-hospital mortality was observed in blacks (OR, 1.27; 95% CI, 1.21-1.34; P<0.001) versus whites. CONCLUSION: Cirrhosis patients hospitalized in HBH experienced 5% higher mortality than those in LBH, resulting in significantly greater deaths in cirrhosis patients. Even after adjusting for safety-net burden, blacks with cirrhosis had 27% higher in-hospital mortality compared with whites.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».