Characteristics of frequent emergency department users in British Columbia, Canada: a retrospective analysis
Notice bibliographique
Résumé
BACKGROUND: Frequent emergency department users disproportionately account for rising health care costs. We aimed to characterize frequent emergency department users in British Columbia, Canada. METHODS: We performed a retrospective analysis using health administrative databases. We included patients aged 18 years or more with at least 1 emergency department visit from 2012/13 to 2015/16, linked to hospital, physician billing, prescription and mortality data. We used annual emergency department visits made by the top 10% of patients to define frequent users (≥ 3 visits/year). RESULTS: Over the study period, 13.8%-15.3% of patients seen in emergency departments were frequent users. We identified 205 136 frequent users among 1 196 353 emergency department visitors. Frequent users made 40.3% of total visits in 2015/16. From 2012/13 to 2015/16, their visit rates per 100 000 BC population showed a relative increase of 21.8%, versus 13.1% among all emergency department patients. Only 1.8% were frequent users in all study years. Mental illness accounted for 8.2% of visits among those less than 60 years of age, and circulatory or respiratory diagnoses for 13.3% of visits among those aged 60 or more. In 2015/16, frequent users were older and had lower household incomes than nonfrequent users; the sex distribution was similar. Frequent users had more prescriptions (median 9, interquartile range [IQR] 5-14 v. 1, IQR 1-3), primary care visits (median 15, IQR 9-27 v. 7, IQR 4-12) and hospital admissions (median 2, IQR 1-3 v. 1, IQR 1-1), and higher 1-year mortality (10.2% v. 3.5%) than nonfrequent users. INTERPRETATION: Emergency department use by frequent users increased in BC between 2012/13 and 2015/16; these patients were heterogenous, had high mortality and rarely remained frequent users over multiple years. Our results suggest that interventions must account for heterogeneity and address triggers of frequent use episodes.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».