Predictors for 30-Day Readmissions After Traumatic Brain Injury
Notice bibliographique
Résumé
OBJECTIVE: To examine predictors for 30-day readmission post-onset of traumatic brain injury (TBI) after initial trauma hospitalization. DESIGN: Retrospective cohort. PARTICIPANTS: In total, 5284 patients with an acute TBI admitted from January 1, 2006, through December 31, 2015. METHODS: Demographic and clinical data after initial TBI onset were extracted from the local trauma registry and matched with the Dallas-Fort Worth Hospital Council registry. Multiple logistic regression analysis was used to determine factors significantly associated with 30-day readmission. Top diagnosis codes for 30-day readmission were also described. RESULTS: Patients were primarily male (64.6%), non-Hispanic White (47.6%), uninsured (35.4%), and aged 46.1 ± 23.3 years. In total, 448 patients (8.5%) had a 30-day readmission. Median cumulative charges for each readmitted subject was $34 313. Factors significantly associated with 30-day readmission were falling as the cause of injury, having increased Charlson Comorbidity Index and Injury Severity Score, and discharging to a skilled nursing facility or long-term acute care. Being uninsured was associated with decreased odds of a 30-day readmission. Top diagnosis codes among the readmission visits included cardiac codes (57.7%), fluid and acid-base disorders (54.8%), and hypertension (50.1%). CONCLUSION: These data highlight those at risk for 30-day readmission across a diverse population of TBI at a large medical center. Interventions such as health literacy education or patient navigation may help mitigate 30-day readmission for at-risk patients.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».