P.129 Canadian neurosurgical healthcare spending trends
Notice bibliographique
Résumé
Background: Neurosurgical conditions impose a significant burden on the Canadian healthcare system. This study quantifies the economic impact and explores predictive models for postoperative length of stay. Methods: We analyzed data from the Canadian Institute for Health Information National Health Expenditure Trends database for 2015-2019, focusing on case volumes, healthcare costs, and lengths of stay (LOS) across age groups and conditions. Decision tree models were created to predict total LOS from patient age and average acute LOS. Results: There was a modest increase in case volumes from 6,220 ± 3,103 in 2015 to 6,492 ± 3,240 in 2018, with a slight decrease in 2019. The total estimated hospital costs ranged from 2.27 ± 0.38 million CAD in 2015 to 2.23 ± 0.44 million CAD in 2019. The highest costs were seen in the 18-59 age group, at 2.53 ± 0.43 million CAD. Decision tree models showed high accuracy for predicting LOS in cases like spinal injury (F1-score: 0.98) but were less accurate for interventions with trauma or complications (F1-scores from 0.66 to 0.97). Conclusions: The study delineates the financial demands of neurosurgery in Canada and suggests decision tree models as useful tools for predicting hospital stay, with variable accuracy depending on the case complexity.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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 ».