Association Between Postdischarge Medical Oncology Follow-Up Appointments and Downstream Health Care Use: A Single-Institution Experience
Notice bibliographique
Résumé
PURPOSE: There is limited understanding of the role of postdischarge medical oncology follow-up during care transition periods. Our study describes the care transition patterns and the association between postdischarge medical oncology appointments and downstream health care use at a tertiary academic center. METHODS: We conducted a retrospective cohort study of 25,135 medical oncology admissions between 2018 and 2020 at Yale New Haven Hospital. We examined the association between postdischarge medical oncology appointment timing with 30-day all-cause readmissions and emergency department (ED) visits using multivariable logistic regression models and propensity score–matched analyses. RESULTS: Compared with admissions without appointment within 30 days, admissions with postdischarge medical oncology appointment within 30 days were associated with lower rates of all-cause 30-day readmission (odds ratio [OR] = 0.56, 95% CI, 0.52 to 0.59; P < .001) and ED visit (OR = 0.56, 95% CI, 0.52 to 0.59; P < .001). Admissions with appointment ≤ 14 days were associated with lower rates of 30-day readmission (OR = 0.28, 95% CI, 0.25 to 0.32; P < .001) and ED visit (OR = 0.56, 95% CI, 0.52 to 0.63; P < .001) compared with those with appointment within 15-30 days. Similar patterns in health care use were seen with propensity score matching. Subgroup analyses of cancer types with the most admissions observed similar trends between 30-day readmission and ED visits with appointment timing. CONCLUSION: Timely postdischarge medical oncology appointments were associated with significantly lower likelihood of 30-day readmission and ED visits, suggesting a potential role for postdischarge follow-up as an intervention to decrease health care use.
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 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».