Using network analyses to characterise Australian and Canadian frequent attenders to the emergency department
Notice bibliographique
Résumé
OBJECTIVE: To explore and compare the characteristics of frequent attenders to the ED at an Australian and a Canadian tertiary hospitals by utilising a network analysis approach. METHODS: We conducted a retrospective population-based study using administrative data over the 2018 and 2019 calendar years. Participants were from a tertiary hospital in Melbourne, Australia, and Toronto, Canada. Frequent attenders were defined as patients with four or more visits in 12 months. Characteristics of younger (18-39 years), middle-aged (40-69 years) and older (70 years and older) frequent attenders were described using descriptive statistics and network analyses. RESULTS: Younger frequent attenders were characterised by mental illness and substance use, while older frequent attenders had high rates of physical (including chronic) diseases. Middle-aged frequent attenders were characterised by a combination of mental and physical illnesses. These findings were observed at both hospitals. Across all age groups, the network analyses between the Melbourne and Toronto hospitals were different. Among older frequent attender visits, more diagnoses were associated with high triage acuity at the Toronto hospital than at the Melbourne hospital. Some associations were similar at both sites, for example, the negative correlation between high triage acuity and joint pain. CONCLUSION: Younger, middle-aged and older frequent attenders have distinct characteristics, made readily apparent by using network analyses. Future interventions to reduce ED visits should consider the heterogeneity of frequent attenders who have needs specific to their age, presenting problems and jurisdiction.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,087 | 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 ».