Healthcare Utilization Following Traumatic Brain Injury in a Large National Sample
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the impact of traumatic brain injury (TBI) on healthcare utilization (HCU) over a 1-year period in a large national sample of individuals diagnosed with TBI across multiple care settings. SETTING: Commercial insurance enrollees. PARTICIPANTS: Individuals with and without TBI, 2008-2014. DESIGN: Retrospective cohort. MAIN MEASURES: We compared the change in the 12-month sum of inpatient, outpatient, emergency department (ED), and prescription HCU from pre-TBI to post-TBI to the same change among a non-TBI control group. Most rehabilitation visits were not included. We stratified models by age ≥65 and included the month of TBI in subanalysis. RESULTS: There were 207 354 individuals in the TBI cohort and 414 708 individuals in the non-TBI cohort. Excluding the month of TBI diagnosis, TBI resulted in a slight increase in outpatient visits (rate ratio [RtR] = 1.05; 95% confidence interval [CI], 1.04-1.06) but decrease in inpatient HCU (RtR = 0.86; 95% CI, 0.84-0.88). Including the month of TBI in the models resulted in increased inpatient (RtR = 1.55; 95% CI, 1.52-1.58) and ED HCU (RtR = 1.37; 95% CI, 1.34-1.40). CONCLUSION: In this population of individuals who maintained insurance coverage following TBI, results suggest that TBI may have a limited impact on nonrehabilitation HCU at the population level.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».