Disparities in neurosurgical care: Using length of stay to evaluate efficiency of care in New York City hospitals
Notice bibliographique
Résumé
Objective: We sought to analyze public and private hospital patient cohorts in New York City (NYC) to assess differences in hospital access and outcomes from 2009-2022.Methods: Inpatient neurosurgical discharges, as determined by APR-DRG codes, from 2009-2022 were aggregated for seven NYC hospitals, four private and three public, via the Statewide Planning and Research Cooperative System (SPARCS). Statistical analyses (Z-tests) were performed in Python.Results: 325,351 patients were identified, 223,361 private and 101,990 public. Private hospitals had lower high-severity to low-severity and higher high-mortality to low-mortality risk ratios relative to public hospitals (p < .001). Public hospitals treated a higher proportion of stroke and trauma (p < .001). Average length of stay (LOS) was shorter at private hospitals compared to public (5.3 vs. 7.1 days, p < .001). Statistical significance remained when stratifying for illness severity and elective versus non-elective surgery status. Interestingly, cranial trauma cases were associated with a longer LOS in private hospitals relative to public (7.9 vs. 5.7 days, p < .001).Conclusions: While many factors influence outcomes in private versus public hospitals, LOS can mark the efficiency of care. LOS was shorter at private hospitals in all instances except with cranial trauma. Care efficiency is important for hospital reimbursement, which can directly impact available resources for patient care. These findings emphasize the need to further analyze patient accessibility to neurosurgical care at private hospitals and the resources necessary to support neurosurgical practices within public 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».