Interhospital Variations in Resource Use Intensity for In-hospital Injury Deaths
Notice bibliographique
Résumé
Objective: Evaluate interhospital variation in resource use for in-hospital injury deaths. Background: Significant variation in resource use for end-of-life care has been observed in the US for chronic diseases. However, there is an important knowledge gap on end-of-life resource use for trauma patients. Methods: We conducted a multicenter, retrospective cohort study of injury deaths following hospitalization in any of the 57 trauma centers in a Canadian trauma system (2013–2016). Resource use intensity was measured using activity-based costing (2016 $CAN) according to time of death (72 h, 3–14 d, ≥14 d). We used multilevel log-linear regression to model resource use and estimated interhospital variation using intraclass correlation coefficients (ICC). Results: Our study population comprised 2044 injury deaths. Variation in resource use between hospitals was observed for all 3 time frames (ICC = 6.5%, 6.6%, and 5.9% for < 72 h, 3–14 d, and ≥14 d, respectively). Interhospital variation was stronger for allied health services (ICC = 18 to 26%), medical imaging (ICC = 4 to 10%), and the ICU (ICC = 5 to 6%) than other activity centers. We observed stronger interhospital variation for patients < 65 years of age (ICC = 11 to 34%) than those ≥65 (ICC = 5 to 6%) and for traumatic brain injury (ICC = 5 to 13%) than other injuries (ICC = 1 to 8%). Conclusions: We observed variation in resource use intensity for injury deaths across trauma centers. Strongest variation was observed for younger patients and those with traumatic brain injury. Results may reflect variation in level of care decisions and the incidence of withdrawal of life-sustaining therapies.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».