Community Factors and Hospital Readmission Rates
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
Background The environment in which a patient lives influences their health outcomes. However, the degree to which community factors are associated with readmissions is uncertain. Objective To estimate the influence of community factors on the Centers for Medicare & Medicaid Services risk-standardized hospital-wide readmission measure (HWR). Research Design We assessed 71 community factors in 6 domains related to health outcomes: clinical care; health behaviors; social and economic factors; the physical environment; demographics; and social capital. Subjects Medicare fee-for-service patients eligible for the HWR measure between July 2014-June 2015 (n= 6,790,723). Patients were linked to community factors using their 5-digit zip code of residence. Methods We used a random forest algorithm to rank factors for their importance in predicting hospital HWR scores. Factors were entered into 6 domain-specific multivariable regression models in order of decreasing importance. Factors with with P-values <0.10 were retained for a final model, after eliminating any that were collinear. Results Among 71 community factors, 19 were retained in the 6 domain models and the final model. Domains which explained the most to least variance in HWR were: physical environment (R2=15%); clinical care (12%); demographics (11%); social and economic environment (7%); health behaviors (9%); and social capital (8%). In the final model, the 19 factors explained more than a quarter of the variance in readmission rate (R2=27%). Conclusions Readmissions for a wide range of clinical conditions are influenced by factors relating to the communities in which patients reside. These findings can be used to target efforts to keep patients out of the hospital.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
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