Factors Associated with Alternate Level of Care Status Designation: a Case-Control Study and Model to Optimize Care Trajectories
Notice bibliographique
Résumé
Background As health-care demand is growing, our health-care system will require the optimization of the care trajectories. Patients with an alternate level of care (ALC) status could be a target for flow optimization. We aimed to characterize ALC patients and risk factors for ALC status, and to propose an integrated model to analyze the trajectory of ALC patients and discuss solutions to reduce their burden. Methods A case-control design was used to compare 60 ALC and 60 non-ALC patients admitted to the geriatric unit of the Centre hospitalier de l’Université de Montréal in 2021, collecting medical and sociodemographic data. Based on our model, univariate statistical analyses were computed to compare groups and identify risk factors for ALC status. Results ALC patients were less independent (22% performed five to six activities of daily living vs. 43%, p = .03). Both groups were comparable in terms of mobility and neurocognitive disorders. ALC patients were more likely to receive a new diagnosis of a neurocognitive disorder or new behavioural or psychological symptoms (37% vs. 15%, p = .008). Up to 25% of ALC patients were admitted despite presenting no active medical condition (vs. 3% of non-ALC patients, p = .002). Conclusions The optimization of the care trajectory of ALC patients is mainly based on pre-hospital and post-hospital factors. A proportion of ALC admissions might be avoidable with additional investment in home care resources and relocation procedures. Fluidity of ALC trajectory may benefit from improved orientation at discharge procedures. Full optimization of ALC trajectories requires a systemic understanding of the health-care system.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».