Rates, Reasons, and Independent Predictors of Readmissions in Portal Venous Thrombosis Hospitalizations in the USA
Notice bibliographique
Résumé
Background: Portal vein thrombosis (PVT), generally considered rare, is becoming increasingly recognized with advanced imaging. Limited data exist regarding readmissions in PVT and its burden on the overall healthcare cost. This study aimed to outline the burden of PVT readmissions and identify the modifiable predictors of readmissions. Methods: The National Readmission Database (NRD) was used to identify PVT admissions from 2016 to 2019. Using the patient demographic and hospital-specific variables within the NRD, we grouped patient encounters into two cohorts, 30- and 90-day readmission cohorts. We assessed comorbidities using the validated Elixhauser comorbidity index. We obtained inpatient mortality rates, mean length of hospital stay (LOS), total hospital cost (THC), and causes of readmissions in both 30- and 90-day readmission cohorts. Using a multivariate Cox regression analysis, we identified the independent predictors of 30-day readmissions. Results: We identified 17,971 unique index hospitalizations, of which 2,971 (16.5%) were readmitted within 30 days. The top five causes of readmissions in both 30-day and 90-day readmission cohorts were PVT, sepsis, hepatocellular cancer, liver failure, and alcoholic liver cirrhosis. The following independent predictors of 30-day readmission were identified: discharge against medical advice (AMA) (adjusted hazard ratio (aHR) 1.86; P = 0.002); renal failure (aHR 1.44, P = 0.014), metastatic cancer (aHR 1.31, P = 0.016), fluid and electrolyte disorders (aHR 1.20, P = 0.004), diabetes mellitus (aHR 1.31, P = 0.001) and alcohol abuse (aHR 1.31, P ≤ 0.001). Conclusion: The readmission rate identified in this study was higher than the national average and targeted interventions addressing these factors may help reduce the overall health care costs.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».