Healthcare utilization and mortality outcomes in patients with pre-existing psychiatric disorders after intensive care unit discharge: A population-based retrospective cohort study
Notice bibliographique
Résumé
PURPOSE: Pre-existing psychiatric disorders may lead to negative outcomes following intensive care unit (ICU) discharge. We evaluated the association of pre-existing psychiatric disorders with subsequent healthcare utilization and mortality in patients discharged from ICU. MATERIALS AND METHODS: We retrospectively studied adult patients admitted to 14 medical-surgical ICUs (January 2014-June 2016) with ICU length stay ≥24 h who survived to hospital discharge. Pre-existing psychiatric disorders were identified using algorithms for diagnostic codes captured ≤5 years before ICU admission. Outcomes were healthcare utilization (emergency department visit, hospital or ICU readmission) and mortality. We used logistic regression models with propensity scores to estimate associations, converted to risk ratios (RR). RESULTS: We included 10,598 patients. 37.6% (n = 3982) had a psychiatric history. Patients with pre-existing psychiatric disorders were at higher risk of subsequent emergency department visits (RR 1.49, 95%CI 1.29-1.71), hospital readmission (RR 1.49, 95%CI 1.34-1.66), ICU readmission (RR 2.64, 95%CI 1.55-4.49) one-year post-ICU discharge, compared to patients without pre-existing psychiatric disorders. Patients with pre-existing psychiatric disorders had a higher risk of mortality (RR 1.31, 95%CI 1.00-1.71) six-months post-ICU discharge. CONCLUSION: Critically ill patients with pre-existing psychiatric disorders have an increased risk of healthcare utilization and mortality outcomes following an ICU stay.
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 | 0,013 |
| 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 | 0,001 |
| 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 ».