High-cost users after sepsis: a population-based observational cohort study
Notice bibliographique
Résumé
BACKGROUND: High-cost users (HCU) represent important targets for health policy interventions. Sepsis is a life-threatening syndrome that is associated with high morbidity, mortality, and economic costs to the healthcare system. We sought to estimate the effect of sepsis on being a subsequent HCU. METHODS: Using linked health-administrative databases, we conducted a population-based, propensity score-weighted cohort study of adults who survived a hospitalization in Ontario, Canada between January 2016 and December 2017. Sepsis was identified using a validated algorithm. The primary outcome was being a persistent HCU after hospital discharge (in the top 5% or 1% of total health care spending for 90 consecutive days), and the proportion of follow-up time since discharge as a HCU. RESULTS: We identified 927,057 hospitalized individuals, of whom 79,065 had sepsis. Individuals who had sepsis were more likely to be a top 5% HCU for 90 consecutive days at any time after discharge compared to those without sepsis (OR 2.24; 95% confidence interval [CI] 2.04-2.46) and spent on average 42.3% of their follow up time as a top 5% HCU compared to 28.9% of time among those without sepsis (RR 1.46; 95% CI 1.45-1.48). Individuals with sepsis were more likely to be a top 1% HCU for 90 consecutive days compared to those without sepsis (10% versus 5.1%, OR 2.05 [95% CI 1.99-2.11]), and spent more time as a top 1% HCU (18.5% of time versus 10.8% of time, RR 1.68 [95% CI 1.65-1.70]). CONCLUSIONS: The sequelae of sepsis result in higher healthcare costs with important economic implications. After discharge, individuals who experienced sepsis are more likely to be a HCU and spend more time as a HCU compared to individuals who did not experience sepsis during hospitalization.
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 | 0,000 | 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) | 0,001 | 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 ».