Predictors of and Reasons for Early Discharge from an Inpatient Withdrawal Management Service
Notice bibliographique
Résumé
Early discharges, also known as against medical advice discharges, are a significant concern in inpatient withdrawal management settings. Early discharges are associated with negative outcomes for patients and are costly for the healthcare system. A recent scoping review found gaps in the literature regarding patient perspectives, and a lack of research exploring predictors of early discharge according to demographic factors such as sex or gender which are known to influence healthcare experiences. It is vital to advance our understanding of patient perceptions of early discharges and what may predict them in order to prevent early discharges from occurring.The aim of this research was to investigate possible predictors of early discharge and patient experiences of early discharge from an inpatient withdrawal management service in Toronto, Ontario, Canada. This aim was accomplished using 2 studies. A retrospective cohort study using administrative health data was conducted to examine independent predictors of early discharge among patients admitted to an inpatient withdrawal management service between 2016 and 2020. Sex-stratified analyses using logistic regression and generalized estimating equations revealed that weekends and younger age were the strongest predictors of early discharge for both males and females. Among females only, being part of an ethnic minority group predicted early discharge. A qualitative descriptive study was conducted to explore patient perceptions of precipitants and processes related to early discharge. Thirteen people who had recently experienced an early discharge participated in the study and reported that precipitants to early discharge included external pressures, concerns about COVID-19, and dissatisfaction. Participants also described hitting a wall or reaching a breaking point prior to early discharge. Further, they often described difficult conversations about their desire to leave early and had mixed perceptions of their early discharge experience. This research demonstrates that there may be opportunities to prevent early discharges by responding to sources of dissatisfaction and exploring contributing factors during high-risk times such as weekends. Further, this research indicates that patient experiences could be improved by modifying processes associated with early discharge when they cannot be prevented.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».