Hospital spending and length of hospital stay for mental disorders in Hunan, China
Notice bibliographique
Résumé
Objectives: To describe hospital spending and length of stay for mental disorders in Hunan, China. Methods: We extracted hospital care data for Hunan province from the Chinese National Health Statistics Network Reporting System. Patients with mental disorders (ICD-10 codes: F00 to F99) as the principal diagnosis and hospitalized between January 1, 2017 and December 31, 2019 were included. We retrieved information on age, sex, number of comorbidities, diagnosis, level of hospital, hospital costs, date of admission and discharge, length of stay (LOS), and method of payment of eligible participants. Spending at the provincial level, and spending and LOS at the individual level were described. Quantile regression and linear regression were conducted to investigate factors for hospital cost and LOS for major mental disorders. Results: The 2019 annual spending on mental disorders in Hunan province was 160 million US dollars, and 71.7% was paid by insurance. The annual spending on schizophrenia was 84 million dollars, contributing to a primary burden of mental disorders. The median spending for mental disorders was $1,085 per patient, and the median hospital stay was 22 days. The study identified several significant factors associated with hospital cost and LOS, including age, sex, comorbidity, and level of the hospital. In particular, a higher level of the hospital was associated with a higher hospital spending but a shorter LOS. Women with schizophrenia had a comparable hospital spending but a significantly shorter LOS than men with schizophrenia. Conclusion: Hospitalization spending for patients with mental disorders is substantial. Schizophrenia is the major burden of hospitalization for mental disorders. While patients treated at a higher level of hospital had higher spending, they stayed shorter in these hospitals.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».