601 Comparison of Healthcare Resource Utilization in Burns, Frostbite and Necrotizing Fasciitis: A Propensity Score-based Analysis
Notice bibliographique
Résumé
Abstract Introduction Patients with burns, frostbite, or necrotizing fasciitis (NF) are recognized to have high rates of healthcare resource utilization (HRU). However, a comparison of HRU between these three groups at a single centre is not well known in the literature. Historically, the HRU of these three groups has not been differentiated with respect to hospital administrative planning. The goal of this study is to compare HRU between these three groups. Methods This is a retrospective review of adults acutely admitted for injuries due to burn (n=589), frostbite (n=144) or NF (n=421) at a single Canadian level 1 centre. Two cohorts (burns versus frostbite, burns vs NF) will be created with a ratio of approximately 1:1, propensity-score nearest neighbor matched on age, sex, and geographic location. Descriptive analysis will examine patient characteristics. HRU analysis examines length of hospital stay, number of operations, outcomes (% with autograft, free tissue transfer, in-hospital mortality). Results NF patients had significantly mean longer length of stay (32.7d) versus frostbite (24.5d) and burns (18.5d) (p< 0.001). Similarly, a significantly higher proportion of NF patients stayed in ICU (47.2%) versus burns (30.2%) (p< 0.001) as well as free tissue transfer (6.1% vs 3.5% vs 2.4%). Frostbite patients had the highest proportion of amputation (41.7% versus NF with 14.7% and burns with 3.2%) Conclusions Generally, NF patients required the highest amount of HRU followed by frostbite and burn patients. Applicability of Research to Practice The implications of this study are that burn, frostbite, and NF patients have different rates of HRU, which can directly impact hospital administration resource allocation. Funding for the Study N/A
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».