What Are the Burden, Causes, and Costs of Early Hospital Readmissions After Kidney Transplantation?
Notice bibliographique
Résumé
INTRODUCTION: Kidney transplant recipients are at risk for complications resulting in early hospital readmission. This study sought to determine the incidences, risk factors, causes, and financial costs of early readmissions. DESIGN: This single-centre cohort study included 1461 kidney recipients from 1 Jul 2004 to 31 Dec 2012, with at least 1-year follow-up. Early readmission was defined as hospitalization within 30 or 90-days postdischarge from transplant admission. Associations between various parameters and 30 and 90-days posttransplant were determined using multivariable Cox proportional hazards models. The hospital-associated costs of were assessed. RESULTS: The rates of early readmission were 19.4% at 30 days and 26.8% at 90 days posttransplant. Mean cost per 30-day readmission was 11 606 CAD. Infectious complications were the most common reasons and resulted in the greatest cost burden. Factors associated with 30 and 90-days in multivariable models were recipient history of chronic lung disease (hazard ratio or HR 1.78 [95%CI: 1.14, 2.76] and HR 1.68 [1.14, 2.48], respectively), median time on dialysis (HR 1.07 [95% CI: 1.01, 1.13]and HR 1.06 [95% CI: 1.01, 1.11], respectively), being transplanted preemptively (HR 1.75 [95% CI: 1.07, 2.88] and HR 1.66 [95% CI: 1.07, 2.57], respectively), and having a transplant hospitalization lasting of and more than 11 days (HR 1.52 [95% CI: 1.01, 2.27] and HR 1.65 [95% CI: 1.16, 2.34], respectively). DISCUSSION: Early hospital readmission after transplantation was common and costly. Strategies to reduce the burden of early hospital readmissions are needed for all patients.
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 ».