Estimating the Cost of Alternate Level of Care When It Is Inextricably Linked to the Cost of Acute Care: A Canadian Example
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In Canada, hospitals designate patients as Alternate Level of Care (ALC) after they have completed all the necessary treatments and are ready for discharge, but remain in the hospitals and await transfer to an appropriate destination, such as a facility-based long-term care bed, home with care services, or palliative care bed. Provincial governments fund acute care in hospitals. However, hospitals have to divert funds to serve ALC patients. In 2019-20, ALC accounted for 19.31% of total bed-days. Yet, there is no comprehensive estimate of the cost of ALC. Therefore, the objective is to estimate the ALC cost, which is challenging, as the cost data for ALC days is lacking. However, the hospitalization cost (acute care plus ALC costs) and the number of acute and ALC days are available. Applying the log-log regression model with interaction terms between provinces and the natural logarithm of ALC length-of-stay to the hospital discharge data, supplemented by hospitalization cost data, the cost elasticity of ALC length-of-stay was estimated for each province. Then, the estimated cost elasticity, average hospitalization cost, average ALC length-of-stay, and total ALC bed-days for each province were utilized to estimate the province-specific cost of ALC in Canada. Summing these costs across provinces, the total expenditure for ALC services in Canadian provinces was estimated at $2.48 billion in 2019-20. This funding could potentially be redirected to improve value for money and enable timely acute care. Additionally, the study identified key diagnoses driving ALC costs.
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.
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) | 0,000 | 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 découle