Inter-provider variation in resource use intensity for elderly injury admissions : a multicenter cohort study
Bibliographic record
Abstract
Les aînés (≥65 ans) représentent une proportion grandissante des admissions pour traumatismes. Cependant, on connait peu sur leur utilisation des ressources hospitalières. Pour améliorer les connaissances sur l’utilisation des ressources, nos objectifs étaient d’identifier les déterminants de l’utilisation des ressources, étudier la variation inter-hospitalière et évaluer l’association avec les résultats cliniques. Nous avons réalisé une étude de cohorte multicentrique en incluant tous les aînés admis dans le système de traumatologie du Québec (2013-2016) avec blessures traumatiques (N=16463) et avec fractures de fragilité (N=16721). Nous avons estimé l’utilisation des ressources avec la méthode de coûts basés sur les centres d’activité. Nous avons utilisé des modèles linéaires et logistiques multiniveaux pour nos analyses. L’utilisation des ressources augmentait avec l’âge et le nombre de comorbidités. La destination à la sortie de l’hôpital était aussi un important déterminant (soins longue durée vs domicile; blessures traumatiques; ratio de moyennes géométriques [RMG]=1,68; IC 95%=1,61-1,75; fracture de fragilité; RMG=1,28 IC 95%=1,24-1,32). L’utilisation des ressources ajustée variait significativement entre les hôpitaux. Cette variation était plus importante chez les patients avec des fractures de fragilité (coefficient de corrélation interclasse [CCI]=0,093; IC 95%=0,079-0,102) que chez ceux avec des blessures traumatiques (CCI=0,047; IC 95%=0,037-0,051). Les hôpitaux avec une plus importante utilisation des ressources avaient tendance à avoir une incidence plus élevée de mortalité (fracture de fragilité : coefficients de corrélation de Pearson [r]=0,41; IC 95%=-0,16-0,60) et de complications (blessures traumatiques : r=0,55; IC 95%=0,33-0,71; fracture de fragilité : r=0,54; IC 95%=0,32-0,70). Nos résultats suggèrent qu’il y a place à l’optimisation des ressources pour les aînés admis pour blessures. L’augmentation de mortalité et morbidité dans les hôpitaux utilisant plus de ressources pourrait être expliquée par la confondance résiduelle mais aussi par les effets indésirables reliés aux interventions ou aux journées d’hospitalisation potentiellement non-nécessaires. Ces hypothèses seront à confirmer lors d’études futures.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".