Predictors of mortality and cost among surgical patients requiring rapid response team activation
Notice bibliographique
Résumé
Background: Prior studies of rapid response team (RRT) implementation for surgical patients have demonstrated mixed results with respect to reductions in poor outcomes. The aim of this study was to identify predictors of in-hospital mortality and hospital costs among surgical inpatients requiring RRT activation. Methods: We analyzed data prospectively collected from May 2012 to May 2016 at The Ottawa Hospital. We included patients who were at least 18 years of age, who were admitted to hospital, who received either preoperative or postoperative care, and and who required RRT activation. We created a multivariable logistic regression model to describe mortality predictors and a multivariable generalized linear model to describe cost predictors. Results: We included 1507 patients. The in-hospital mortality rate was 15.9%. The patient-related factors most strongly associated with mortality included an Elixhauser Comorbidity Index score of 20 or higher (odds ratio [OR] 3.60, 95% confidence interval [CI] 1.96-6.60) and care designations excluding admission to the intensive care unit and cardiopulmonary resuscitation (OR 3.52, 95% CI 2.25-5.52). The strongest surgical predictors included neurosurgical admission (OR 2.09, 95% CI 1.17-3.75), emergent surgery (OR 2.04, 95% CI 1.37-3.03) and occurrence of 2 or more operations (OR 1.73, 95% CI 1.21-2.46). Among RRT factors, occurrence of 2 or more RRT assessments (OR 2.01, 95% CI 1.44-2.80) conferred the highest mortality. Increased cost was strongly associated with admitting service, multiple surgeries, multiple RRT assessments and medical comorbidity. Conclusion: RRT activation among surgical inpatients identifies a population at high risk of death. We identified several predictors of mortality and cost, which represent opportunities for future quality improvement and patient safety initiatives.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».