The analysis of the geographical distribution of emergency departments’ frequent users: a tool to prioritize public health policies?
Notice bibliographique
Résumé
BACKGROUND: The individual factors associated to Frequent Users (FUs) in Emergency Departments are well known. However, the characteristics of their geographical distribution and how territorial specificities are associated and intertwined with ED use are limited. Investigating healthcare use and territorial factors would help targeting local health policies. We aim at describing the geographical distribution of ED's FUs within the Paris region. METHODS: We performed a retrospective analysis of all ED visits in the Paris region in 2015. Data were collected from the universal health insurance's claims database. Frequent Users (FUs) were defined as having visited ≥3 times any ED of the region over the period. We assessed the FUs rate in each geographical unit (GU) and assessed correlations between FUs rate and socio-demographics and economic characteristics of GUs. We also performed a multidimensional analysis and a principal component analysis to identify a typology of territories to describe and target the FUs phenomenon. RESULTS: FUs accounted for 278,687 (11.7%) of the 2,382,802 patients who visited the ED, living in 232 GUs. In the region, median FUs rate in each GU was 11.0% [interquartile range: 9.5-12.5]. High FUs rate was correlated to the territorial markers of social deprivation. Three different categories of GU were identified with different profiles of healthcare providers densities. CONCLUSION: FUs rate varies between territories and is correlated to territorial markers of social deprivation. Targeted public policies should focus on disadvantaged territories.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».