Profiles of frequent emergency department users with chronic conditions: a latent class analysis
Notice bibliographique
Résumé
OBJECTIVES: Frequent emergency department users represent a small proportion of users while cumulating many visits. Previously identified factors of frequent use include high physical comorbidity, mental health disorders, poor socioeconomic status and substance abuse. However, frequent users do not necessarily exhibit all these characteristics and they constitute a heterogeneous population. This study aims to establish profiles of frequent emergency department users in an adult population with chronic conditions. DESIGN: This is a retrospective cohort study using administrative databases. SETTING: All adults who visited the emergency department between 2012 and 2013 (index date) in the province of Quebec (Canada), diagnosed with at least one chronic condition, and without dementia were included. Patients living in remote areas and who died in the year following their index date were excluded. We used latent class analysis, a probability-based model to establish profiles of frequent emergency department users. Frequent use was defined as having five visits or more during 1 year. Patient characteristics included sociodemographic characteristics, physical and mental comorbidities and prior healthcare utilisation. RESULTS: Out of 4 51 775 patients who visited emergency departments at least once in 2012-2013, 13 676 (3.03%) were frequent users. Four groups were identified: (1) 'low morbidity' (n=5501, 40.2%), (2) 'high physical comorbidity' (n=3202, 23.4%), (3) 'injury or chronic non-cancer pain' (n=2313, 19.5%) and (4) 'mental health or alcohol/substance abuse' (n=2660, 16.9%). CONCLUSIONS: The four profiles have distinct medical and socioeconomic characteristics. These profiles provide useful information for developing tailored interventions that would address the specific needs of each type of frequent emergency department users.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».