Differences in End-of-Life Care between COVID-19 Inpatient Decedents with English Proficiency and Limited English Proficiency
Notice bibliographique
Résumé
Background: Patients with limited English proficiency (LEP) experience lower quality end-of-life (EOL) care. This inequity may have been exacerbated during the COVID-19 pandemic. Objective: Compare health care utilization, EOL, and palliative care outcomes between COVID-19 decedents with and without LEP during the pandemic's first wave in Massachusetts. Methods: Retrospective cohort study of adult inpatients who died from COVID-19 between February 18, 2020 and May 18, 2020 at two academic and four community hospitals within a greater Boston health care system. We performed multivariable regression adjusting for patient sociodemographic variables and hospital characteristics. Primary outcome was place of death (intensive care unit [ICU] vs. non-ICU). Secondary outcomes included hospital and ICU length of stay and time to initial palliative care consultation. Results: Among 337 patients, 89 (26.4%) had LEP and 248 (73.6%) were English proficient. Patients with LEP were less often white (24 [27.0%] vs. 193 [77.8%]; p < 0.001); were more often Hispanic or Latinx (40 [45.0%] vs. 13 [5.2%]; p < 0.001); and less often had a medical order for life-sustaining treatment (MOLST) on admission (15 [16.9%] vs. 120 [48.4%]; p < 0.001) versus patients with English proficiency. In the multivariable analyses, LEP was not independently associated with ICU death, ICU length of stay, or time to palliative care consultation, but was independently associated with increased hospital length of stay (mean difference 4.12 days; 95% CI, 1.72–6.53; p < 0.001). Conclusions: Inpatient COVID-19 decedents with LEP were not at increased risk of an ICU death, but were associated with an increased hospital length of stay versus inpatient COVID-19 decedents with English proficiency.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».