Clusters of multimorbidity across hospital services and by language groups
Notice bibliographique
Résumé
Objective: Documenting multimorbidity profiles and resource use across hospital sectors can help inform and improve healthcare delivery. The purpose of this cohort study (2013-2017) was to describe profiles of multimorbidity among patients at an acute care hospital in Ontario, Canada.Methods: This was a retrospective cohort study over five fiscal years. Data from patients who were admitted as inpatients, visited the emergency department (ED), or received day surgeries at an acute care hospital in Ottawa, Canada between 2013 and 2017 were obtained from two individual-level administrative databases. Diagnoses for 13 chronic diseases and clusters of multimorbidity were identified using validated methods. The analysis sample was comprised of 22,932 patients with multimorbidity aged 18 years or over. Demographic (e.g., age) and clinical (e.g., ED visit count) characteristics of chronic disease clusters were examined across inpatient, ED, and day surgery services, and between language groups.Results: The most common disease profiles encompassed hypertension, diabetes, and arthritis. Mental health and mood conditions were highly concomitant among ED patients. Degree of multimorbidity was significantly associated with length of stay (LOS) and frequency of ED visits. Compared to Anglophone inpatients, hospitalized Francophone patients had significantly more comorbid conditions.Conclusions: Treatment plans should be tailored for different types of hospital services and will need to be patient-centered to account for variability in disease clusters, sociodemographic factors, and acuity levels. More studies are needed to understand the impacts of multimorbidity on healthcare systems.
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 | 0,000 | 0,000 |
| 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 ».