An investigation of treatment barriers for End-Stage Kidney Disease patients using advanced analytics
Notice bibliographique
Résumé
This study uses advanced analytics to investigate the treatment barriers faced by unfunded patients suffering from end-stage kidney disease at Parkland Hospital. Under the Emergency Medical Treatment and Labor Act (EMTALA) federal law, these patients can receive dialysis only under emergency conditions. This practice, commonly known as “emergent dialysis,” routes patients through the Emergency Room (ER) for a screening assessment to determine whether they will be accepted for treatment. Utilizing a data set from Parkland Hospital on patient ER visits seeking emergent dialysis, we leverage descriptive analytics and statistical methods to investigate (i) the impact of this accept/reject decision process on patient outcomes and (ii) the potential influence of operational, medical, and behavioral factors, such as the ER load, patient acuity level, and accept/reject patient history on it. Our research highlights an unanticipated burden caused by a subset of occasional dialysis patients with notably infrequent visits—the aspect that should not be overlooked. It also pinpoints discrepancies across patients, e.g., counterintuitively, patients accepted for treatment experienced shorter wait times before the decision was made than those rejected. More importantly, our work reveals that operational and behavioral factors influence the decision-making process substantially, much more than medical ones. The above findings underscore the critical role of analytics in our model. Our work further employs prescriptive analytics and simulation optimization approaches to provide recommendations on how policymakers can leverage the insights above to make more effective decisions that improve care delivery for this vulnerable population.
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) | 0,000 | 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 ».