The Association of Shared Care Networks With 30-Day Heart Failure Excessive Hospital Readmissions: Longitudinal Observational Study
Notice bibliographique
Résumé
BACKGROUND: Higher-than-expected heart failure (HF) readmissions affect half of US hospitals every year. The Hospital Reduction Readmission Program has reduced risk-adjusted readmissions, but it has also produced unintended consequences. Shared care models have been advocated for HF care, but the association of shared care networks with HF readmissions has never been investigated. OBJECTIVE: This study aims to evaluate the association of shared care networks with 30-day HF excessive readmission rates using a longitudinal observational study. METHODS: We curated publicly available data on hospital discharges and HF excessive readmission ratios from hospitals in California between 2012 and 2017. Shared care areas were delineated as data-driven units of care coordination emerging from discharge networks. The localization index, the proportion of patients who reside in the same shared care area in which they are admitted, was calculated by year. Generalized estimating equations were used to evaluate the association between the localization index and the excessive readmission ratio of hospitals controlling for race/ethnicity and socioeconomic factors. RESULTS: A total of 300 hospitals in California in a 6-year period were included. The HF excessive readmission ratio was negatively associated with the adjusted localization index (β=-.0474, 95% CI -0.082 to -0.013). The percentage of Black residents within the shared care areas was the only statistically significant covariate (β=.4128, 95% CI 0.302 to 0.524). CONCLUSIONS: Higher-than-expected HF readmissions were associated with shared care networks. Control mechanisms such as the Hospital Reduction Readmission Program may need to characterize and reward shared care to guide hospitals toward a more organized HF care system.
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 ».