Racial Disparities in 30-day Readmission After Orthopaedic Surgery: A 5-year National Surgical Quality Improvement Program Database Analysis
Notice bibliographique
Résumé
BACKGROUND: Readmission rate after surgery is an important outcome measure in revealing disparities. This study aimed to examine how 30-day readmission rates and causes of readmission differ by race and specific injury areas within orthopaedic surgery. METHODS: The American College of Surgeon-National Surgical Quality Improvement Program database was queried for orthopaedic procedures from 2015 to 2019. Patients were stratified by self-reported race. Procedures were stratified using current procedural terminology codes corresponding to given injury areas. Multiple logistic regression was done to evaluate associations between race and all-cause readmission risk, and risk of readmission due to specific causes. RESULTS: Of 780,043 orthopaedic patients, the overall 30-day readmission rate was 4.18%. Black and Asian patients were at greater (OR = 1.18, P < 0.01) and lesser (OR = 0.76, P < 0.01) risk for readmission than White patients, respectively. Black patients were more likely to be readmitted for deep surgical site infection (OR = 1.25, P = 0.03), PE (OR = 1.64, P < 0.01), or wound disruption (OR = 1.45, P < 0.01). For all races, all-cause readmission was highest after spine procedures and lowest after hand/wrist procedures. CONCLUSIONS: Black patients were at greater risk for overall, spine, shoulder/elbow, hand/wrist, and hip/knee all-cause readmission. Asian patients were at lower risk for overall, spine, hand/wrist, and hip/knee surgery all-cause readmission. Our findings can identify complications that should be more carefully monitored in certain patient populations.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,001 | 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 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 ».