Location of death among patients presenting with cardiovascular disease to the emergency department in the United states
Notice bibliographique
Résumé
BACKGROUND: In-hospital deaths are an important outcome and little is known about deaths in the emergency department (ED). Among patients who died of cardiovascular diseases (CVD), we assessed causes of death, temporal trends and the relative distribution of deaths in the ED versus hospital. METHODS: Using the United States Nationwide Emergency Department Sample, we conducted a retrospective study of patients presenting to the ED with a primary diagnosis of CVD between 2006 and 2014. We used descriptive statistics to describe causes of deaths, temporal trends and location of death. RESULTS: During the study period, there were 27 144 508 visits to the ED with CVD diagnoses (~2% of all ED visits,). The most common CVD diagnoses were heart failure (n = 8 571 598), acute myocardial infarction (n = 4 827 518) and atrial fibrillation/flutter (n = 4 713 241). There were a total of 2.2 million deaths caused by the CVD, with the majority (57.6%) occurring in the ED. Cardiac arrest was the most common cause of in-hospital death (n = 1 225 095, 55.3%), followed by acute myocardial infarction (n = 279 310, 12.6%), heart failure (n = 217 367, 9.8%), intracranial hemorrhage (n = 168 009, 7.6%) and ischemic stroke (n = 151 615, 6.8%). The proportion of deaths in the ED for these causes were 91.9% cardiac arrest (n = 1 173 471), 3.6% acute myocardial infarction (n = 46 909), 1.0% heart failure (n = 12 599) and 1.1% intracranial hemorrhage (n = 13 579). There was a decrease in death for most CVDs over time. CONCLUSIONS: Inpatient CVD admissions and their associated death may not be a robust measure of the national burden of CVD since ED death-which are common for some conditions-are not captured.
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 | 0,004 | 0,022 |
| 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 ».