MétaCan
Menu
Retour à la cohorte
Enregistrement W4316467596 · doi:10.1093/ageing/afac322.002

1344 UNDERSTANDING PATHWAYS INTO CARE HOMES USING DATA (THE UNPICD STUDY)

2023· article· en· W4316467596 sur OpenAlexaff
Jennifer Kirsty Burton, Giorgio Ciminata, Ellen Lynch, Susan D. Shenkin, Claudia Geue, Terence J. Quinn

Notice bibliographique

RevueAge and Ageing · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGeriatric Care and Nursing Homes
Établissements canadiensInstitute of Health Economics
Organismes subventionnairesnon disponible
Mots-clésMedicineDescriptive statisticsAcute careHealth careObservational studyFamily medicineRetrospective cohort study

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Moving into a care home is a significant, life-changing experience which occurs to address care needs which cannot be supported elsewhere. UK health policy recommends against moving into a care home from the acute hospital. However, this occurs in practice. Better understanding pathways into care homes could improve support for individuals and families, service planning and policymaking. Our aim was to characterise individuals who move-in to a care home from hospital and those moving-in from the community, identifying factors associated with moving-in from hospital. Method A retrospective observational cohort study was conducted involving adults moving into care homes in Scotland between 1/3/13-31/3/16 using the Scottish Care Home Census (SCHC), a national individual-level social care dataset. SCHC data were linked to routine data sources including hospital admissions, community prescribing and mortality. The data were split into those moving-in from hospital and those moving-in from the community. Descriptive statistics characterising the two groups were generated and multivariate regression undertaken to identify factors associated with moving-in from hospital. Results A total of 23,892 individuals were included in the analysis, of whom 13,564 (56.8%) moved-in from hospital. A third came directly from an acute hospital, with 57.7% from rehabilitation or community hospitals and 7.1% from inpatient psychiatry. Being male, receiving nursing care, high frailty risk, increasing numbers of hospital admissions and diagnoses of any fracture or stroke in the six months before moving-into the care home were all significant predictors of moving-in from hospital. Conclusions The population moving-in to care homes from hospital are clinical distinct from those moving-in from the community. National cross-sectoral data linkage of health and social care data is feasible, but the available data are dominated by health characteristics. There is an urgent need to operationalise other meaningful variables which shape care pathways to enhance understanding and evidence.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,110
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,291
Tête enseignante GPT0,435
Écart entre enseignants0,145 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAge and AgeingMême sujetGeriatric Care and Nursing HomesTravaux en français237 207