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 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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 ».