A Dashboard for Tracking Mortality After Cardiac Surgery Using a National Administrative Database
Notice bibliographique
Résumé
BACKGROUND: Mortality after cardiac surgery is publicly reportable and used as a quality metric by national organizations. However, detailed institutional comparisons are often limited in publicly reported ratings, while publicly reported mortality data are generally limited to 30-day outcomes. Dashboards represent a useful method for aggregating data to identify areas for quality improvement. METHODS: We present the development of a dashboard of cardiac surgery performance using cardiac surgery admissions in a national administrative dataset, allowing institutions to better analyze their clinical outcomes. We identified cardiac surgery admissions in the Medicare Limited Data Sets from April 2016 to March 2017 using diagnosis-related group (DRG) codes for cardiac valve and coronary bypass surgeries. RESULTS: Using these data, we created a dashboard prototype to enable hospitals to compare their individual performance against state and national benchmarks, by all cardiac surgeries, specific cardiac surgery DRGs and by specific surgeons. Mortality rates are provided at 30, 60 and 90 days post-operatively as well as 1 year. Users can filter results by state, hospital and surgeon, and visualize summary data comparing these filtered results to national metrics. Examples of using the dashboard to examine hospital and individual surgeon mortality are provided. CONCLUSIONS: We demonstrate how this database can be used to compare data between comparator hospitals on local, state and national levels to identify trends in mortality and areas for quality improvement.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».