Translated version of securedownload-5.rtf

Rumah Sakit pendaftaran kembali di General Pasien Pengobatan: Sebuah Prediksi Model

Omar Hasan, MBBS, MPH 1,2, David O. Meltzer, MD, PhD 3, Shimon A. Shaykevich, MS 1, Chaim M. Bell, MD, PhD 4, Peter J. Kaboli, MD, MS 5, Andrew D . Auerbach, MD, MPH 6, Tosha B. Wetterneck, MD, MS 7, Vineet M. Arora, MD, MA 3, James Zhang, PhD 3, dan Jeffrey L. Schnipper, MD, MPH 1,2 1 Divisi of General Internal Medicine (Brigham dan Rumah Sakit Wanita, Boston, MA, USA; 2 BWH Akademik Hospitalist Layanan dan Harvard

Medical School, Boston, MA, USA, 3 Departemen Kedokteran dan Harris School of Public Policy (University of Chicago, Chicago , IL, USA, 4 Departemen Kedokteran dan Kebijakan Kesehatan Manajemen dan Evaluasi (University of Toronto dan Keenan Research Centre di Li Ka Shing

Pengetahuan Institute of Rumah Sakit St Michael, Toronto, Kanada, 5 Iowa City VA Medical Center dan University of Iowa Carver College of

Medicine, Iowa City, IA, USA; 6 University of California-San Francisco, San Francisco, CA, USA; 7 University of Wisconsin Fakultas Kedokteran

dan Kesehatan Masyarakat, Madison, WI, USA. LATAR BELAKANG: Studi sebelumnya rumah sakit readmis-sion telah berfokus pada kondisi tertentu atau populasi dan menghasilkan model prediksi yang kompleks. TUJUAN: Untuk mengidentifikasi prediktor rumah sakit awal diterima kembali pada populasi pasien beragam dan berasal dan memvalidasi model sederhana untuk mengidentifikasi pasien berisiko tinggi diterima kembali. DESAIN: studi kohort observasional Calon. PASIEN: Peserta mencakup 10.946 pasien habis pulang dari pelayanan kedokteran umum di enam pusat kesehatan akademis dan secara acak dibagi menjadi derivasi (n = 7.287) dan validasi (n = 3.659) kohort. PENGUKURAN: Kami mengidentifikasi readmissions dari Data administratif dan 30 hari pasca-discharge tele-telepon tindak lanjut. Faktor pasien-tingkat dikelompokkan menjadi empat kategori: faktor sosiodemografi, sosial dukungan port, kondisi kesehatan, dan pemanfaatan layanan kesehatan. Kami melakukan analisis regresi logistik untuk mengidentifikasi prediktor mendasar di antara keduanya diterima kembali yang tidak direncanakan dalam waktu 30 hari dari debit dan mengembangkan sistem penilaian untuk memperkirakan risiko diterima kembali. HASIL: Sekitar 17,5% dari pasien yang dibaca-berkomitmen dalam setiap kelompok. Di antara pasien dalam kelompok derivasi, tujuh faktor muncul sebagai prediktor signifikan dari pendaftaran kembali awal: status asuransi, status perkawinan, memiliki dokter biasa, indeks komorbiditas Charlson, SF12 skor komponen fisik, ≥ 1 penerimaan (s) dalam setahun terakhir, dan saat ini lama tinggal> 2 hari. Sebuah skor risiko kumulatif ≥ 25 poin diidentifikasi 5% dari pasien dengan risiko diterima kembali sekitar 30% dalam setiap kelompok. Model diskriminasi adalah adil dengan c-statistik 0,65 dan 0,61 untuk derivasi dan validasi kohort, masing-masing.

Diterima 2 Juni 2009 Revisi November 4, 2009 Diterima November 6, 2009 Dipublikasikan secara online 15 Desember 2009 KESIMPULAN: Pilih karakteristik pasien dengan mudah tersedia lama setelah masuk dapat digunakan untuk mengidentifikasi subset dari pasien berisiko tinggi awal readmis-sion. Informasi ini dapat memandu efisiensi penggunaan intervensi untuk mencegah pendaftaran kembali. KATA KUNCI: rumah sakit, diterima kembali, prediksi; Model. J Gen Intern Med 25 (3): 211-9 DOI: 10.1007/s11606-009-1196-1 © Society of General Internal Medicine 2009

PENDAHULUAN Diterima kembali rumah sakit tak lama setelah debit semakin diakui sebagai penanda kualitas rawat inap perawatan dan kontributor yang

signifikan untuk biaya kesehatan meningkat 1, 2. Hampir seperlima dari penerima Medicare dipulangkan dari rumah sakit perawatan akut

yang diterima kembali dalam waktu 30 hari, menimbulkan biaya tambahan beberapa miliar dolar per tahun 3. Meskipun masih belum jelas

apakah readmissions tersebut sepenuhnya dicegah, 4 - 6 ada bukti baik yang ditargetkan intervensi dimulai sebelum dan / atau segera setelah

debit dapat menurunkan likeli-kap diterima kembali 7-11. Mengidentifikasi pasien berisiko readmis-sion dapat memandu pemanfaatan sumber

daya yang efisien dan memungkinkan perbandingan yang valid kualitas rumah sakit di seluruh lembaga. Penelitian sebelumnya yang telah meneliti faktor risiko untuk rumah sakit awal diterima kembali telah berfokus terutama pada penyakit

tunggal atau kondisi, 12 - 15 situs rumah sakit tunggal, 16 - 18 atau populasi pasien tertentu 19 - 22. Dari empat studi multi-rumah sakit besar

yang dimodelkan risiko diterima kembali pada populasi pasien yang beragam, satu pasien yang diteliti dipulangkan dari rumah sakit

Veterans Affairs, 23 dua dilakukan di Inggris dan mempekerjakan sumber daya yang luas teknologi informasi tidak tersedianya mampu di

sebagian besar negara-negara lain, 24, 25 dan keempat memanfaatkan data Medicare untuk mendapatkan model yang sangat prediktif tetapi

sulit untuk digunakan menggabungkan 20 variabel 26. Studi ini menghasilkan model prediksi kompleks yang digunakan informasi pasien saat

ini tidak mudah tersedia di sebagian besar rumah sakit dan tidak cukup menilai dampak dari dukungan sosial pasien pada risiko diterima

kembali. 211

212   Hasan et al:. Hospital pendaftaran kembali Prediksi Model   JGIM

Untuk mengatasi kesenjangan ini, kami menggunakan data dari Multicenter Hospitalist (MCH) Studi untuk mengidentifikasi faktor

pasien-tingkat signif-icantly terkait dengan diterima kembali rumah sakit awal antara pasien kedokteran umum dirawat di enam pusat

kesehatan yang besar akademis. Selain itu, kami bertujuan untuk menciptakan dan internal memvalidasi model prediksi berbasis skor

sederhana untuk mengidentifikasi pasien dengan risiko diterima kembali secara signifikan meningkat. Kami membatasi analisis kami untuk

informasi pasien yang dapat dengan mudah dikumpulkan dalam 48 jam pertama masuk. METODE

Konteks The KIA Study adalah uji coba multi-center prospektif yang dirancang untuk menilai dampak perawatan hospitalist pada pasien dirawat di

layanan kedokteran umum dari enam pusat kesehatan akademik 27 - 29. Pasien yang terdaftar dari 1 Juli 2001 hingga 30 Juni 2003 di enam

lokasi berikut: University of Chicago, University of California San Francisco, University of Iowa, University of Wisconsin, University of

New Mexico, dan Rumah Sakit Brigham dan Women 's di Boston. Studi ini disetujui oleh masing-masing situs 's review kelembagaan

papan. Pasien yang memenuhi syarat untuk dimasukkan jika mereka berumur 18 tahun atau lebih tua dan dirawat oleh hospitalist atau internis

lain untuk layanan kedokteran umum. Pasien mengaku khusus di bawah perawatan dokter perawatan primer mereka dikeluarkan. Data Collection Detil sosiodemografi dan kesehatan informasi yang dikumpulkan selama 15 - wawancara asupan menit 20 yang dilakukan oleh seorang

asisten peneliti, umumnya dalam waktu 48 jam masuk. Data tambahan diperoleh dari catatan administrasi setiap situs 's dan wawancara

telepon dari pasien atau kuasanya dilakukan 30 hari setelah pulang. Data ini cocok dengan Indeks Kematian Nasional untuk memastikan

kematian 30 hari dari tanggal dikeluarkan dari rumah sakit. Data administratif yang digunakan untuk memperkirakan lama tinggal dan untuk memastikan usia, jenis kelamin, dan status asuransi.

Intake wawancara digunakan untuk mengelola gaya hidup dewasa dan wawancara fungsi ujian negara mini-mental yang (ALFI-MMSE), 30,

31 Med-ical Hasil studi Short Form 12 (SF12) kuesioner, 32 dan mengumpulkan data tentang dukungan sosial, kesehatan sebelum utiliza-

tion, dan kondisi kesehatan, termasuk komorbiditas untuk calcu-lating indeks Charlson dilaporkan sendiri 33. Pasien Kami retrospektif memilih subset dari pasien terdaftar KIA Studi analisis kami. Pertama, kami hanya termasuk pasien di mana mereka atau

kuasanya dapat diwawancarai di rumah sakit dan oleh karena itu dapat memberikan data tepat waktu untuk model prediksi kami. Kami

kemudian dikecualikan pasien dengan lama tinggal lebih dari 30 hari untuk mengurangi bias dari efek outlier. Selanjutnya, kami

dikecualikan pasien tidak bisa keluar rumah, yaitu, pasien yang meninggal selama rawat inap, dipindahkan ke fasilitas kesehatan lain, atau

kiri terhadap nasihat medis. Terakhir, kami dikecualikan pasien yang meninggal dalam waktu 30 hari dari debit. Hasil Variabel Kami mendefinisikan diterima kembali rumah sakit sebagai semua penyebab masuk ke rumah sakit perawatan akut dalam waktu 30 hari dari

debit dari indeks rawat inap. Kami mengidentifikasi readmissions dalam dua cara: menggunakan data administratif dari lokasi penelitian dan dari respon

pasien terhadap pertanyaan spesifik mengenai diterima kembali rumah sakit termasuk dalam 30 hari telepon tindak lanjut. Untuk

meminimalkan recall bias, data administratif yang digunakan untuk mengidentifikasi readmissions ke setiap rumah sakit indeks, sedangkan

data yang dilaporkan sendiri hanya digunakan untuk mengidentifikasi readmissions ke rumah sakit non-indeks. Variabel Predictor Kami mengidentifikasi faktor pasien kandidat mungkin terkait dengan risiko tinggi diterima kembali a priori dari survei literatur yang

relevan dan dikelompokkan menjadi empat alam kate-luka sebagai berikut: (1) faktor sosiodemografi, termasuk usia, jenis kelamin, ras

dilaporkan sendiri / etnis, total pendapatan yang dilaporkan sendiri rumah tangga, pendidikan, dan status asuransi, (2) dukungan sosial

termasuk, status perkawinan, jumlah orang yang hidup dengan pasien, memiliki seseorang untuk membantu di rumah, dan memiliki dokter

biasa, (3) kondisi kesehatan , termasuk 0 dilaporkan sendiri - 9 indeks komorbiditas Charlson, dilaporkan sendiri 0-100 Peringkat

kesehatan, 0-100 skor SF12 fisik dan mental komponen, 0-22 skor ALFI-MMSE, dan keterbatasan dalam aktivitas hidup sehari-hari (ADL)

dan / atau kegiatan instrumental hidup sehari-hari (IADLs), dan (4) pemanfaatan pelayanan kesehatan, termasuk jumlah penerimaan dalam

satu tahun terakhir, lama tinggal dari saat masuk rumah sakit, dan apakah, diberi pilihan, pasien akan tinggal satu hari ekstra di rumah sakit

bahkan jika dokter mereka mengatakan kepada mereka mereka cukup sehat untuk pulang. Analisis Statistik Pasien adalah unit analisis. Karena ukuran sampel yang besar, kami memilih desain split-sample untuk menurunkan dan internal

memvalidasi model prediksi kami. Kami secara acak memilih dua pertiga pasien dari setiap situs dan dikombinasikan untuk menciptakan

sebuah kohort derivasi dan kemudian digabungkan sisa sepertiga pasien dari setiap situs untuk membuat validasi kohort 34. Untuk menilai apakah faktor pasien calon secara bermakna dikaitkan dengan diterima kembali rumah sakit, kita dipasang model regresi

logistik multivariabel terpisah untuk masing-masing dari empat kategori faktor pasien menggunakan data dari kohort derivasi. Kami

menggunakan P <0,10 sebagai cutoff untuk menilai signifikansi. Hanya faktor mencatat secara bermakna dikaitkan dengan diterima kembali

dalam kategori masing-masing termasuk dalam model regresi akhir. Persamaan estimasi Generalized (GEE) digunakan untuk menjelaskan

pengelompokan dengan pemakaian dokter, dan situs rumah sakit dimasukkan sebagai efek tetap dalam masing-masing model untuk

meminimalkan perancu 35. Ketika membangun model akhir, faktor-faktor yang menjadi non-signifikan pada P> 0,05 dihapus jika kehadiran mereka tidak mengubah

beta-koefisien untuk faktor-faktor lainnya lebih dari 20%. Kami berasal sistem penilaian dengan mengalikan masing-masing koefisien beta

dengan sepuluh dan pembulatan ke bilangan bulat terdekat, nilai-nilai bilangan bulat dari semua faktor yang berlaku kemudian ditambahkan

bersama-sama untuk memperkirakan total skor untuk setiap pasien. Kami kemudian diperoleh berdasarkan nilai-prediksi probabilitas

diterima kembali dengan memasukkan skor risiko masing-masing pasien menjadi model regresi logistik tunggal prediktor dan digunakan

output dari model ini untuk menentukan celana skor untuk mengidentifikasi pasien dalam tingkat risiko diterima kembali dipilih (0 - 9% ,

10 - 19%, 20 - 29%, dan 30% atau lebih tinggi).

JGIM Hasan et al:. Hospital pendaftaran kembali Prediksi Model 213

Kami menguji kinerja model kita menggunakan data dari Dari 7.287 pasien dalam kelompok derivasi, 1.274 (17,5%)

validasi kohort. Kami menilai goodness of fit menggunakan The yang diterima kembali dalam waktu 30 hari, dimana 79% bisaHosmer - Lemeshow chi-square tes 36 dan Model diskriminasi dikonfirmasikan dengan data administratif dari rumah sakit indeks.

tion dengan mengukur statistik C, yang merupakan daerah di bawah Tingkat pendaftaran kembali bervariasi dari 16,1% menjadi 17,9% di antara

karakteristik operasi penerima (ROC) kurva 37. Karena situs yang berbeda. Tabel 2 membandingkan diterima kembali dan non-pasien dibuang ke fasilitas sub-akut atau perawatan jangka panjang diterima kembali pasien dan menunjukkan hasil masing-masing empatadalah populasi pasien penting tetapi mungkin memiliki berbeda sub-model yang digunakan untuk menurunkan model akhir. The signifikanprediktor diterima kembali, kami mengulangi metodologi kami dalam hal ini prediktor termasuk faktor-faktor sosiodemografi (umur, pendapatan,penduduk. Kami menggunakan software statistik SAS (Version 9.1; SAS status asuransi), faktor dukungan sosial (status perkawinan,Inc, North Carolina) untuk melakukan semua analisis. memiliki dokter biasa), penanda kesehatan (Charlson

Indeks komorbiditas, SF12 skor komponen fisik), danFaktor pemanfaatan kesehatan (jumlah penerimaan di terakhir

HASIL satu tahun, panjang saat ini tinggal lebih dari dua hari).

Dalam model akhir, dua prediktor signifikan sebelumnya - usiaPemilihan pasien dijelaskan dalam Gambar. 1. Dari 13.903 pasien yang dan pendapatan - signifikansi statistik yang hilang (Tabel 3). Menghapusgagal menyelesaikan wawancara asupan, 28% menolak untuk tanda baik dari prediksi tersebut tidak mengubah koefisien betainformed consent, 52% dipulangkan sebelum mereka atau mereka prediktor lain dengan lebih dari 20%, sehingga keduanya dihapusproxy bisa diwawancarai, 17% telah dirawat selama dari model akhir. Sebagai konsekuensi dari menghapus kedua,bulan sebelumnya dan tidak diwawancarai-ulang, dan 3% meninggal SF12 komponen fisik skor menjadi non-signifikan, bagaimana-

di rumah sakit. The 10.946 pasien yang dipilih untuk analisis kami pernah, menghapus prediktor ini menyebabkan perubahan substansial dalam

secara acak ditugaskan untuk kohort derivasi dari 7287 koefisien beta prediktor yang tersisa dan itupasien dan kohort validasi dari 3.659 pasien. Ada dipertahankan dalam model akhir. Lokasi penelitian dipertahankan sebagaitidak ada perbedaan statistik yang signifikan dalam karakteristik pasien confounder wajib. Rasio odds untuk situs dengan

antara dua kelompok (Tabel 1).tingkat pendaftaran kembali disesuaikan tertinggi adalah 1,40 (95% CI

1,09 -Sekitar 20% dari pasien dalam setiap kelompok yang lebih tua 1,79) dibandingkan dengan situs dengan tarif terendah, tidak ada yang lain

dari 75 tahun, lebih dari 60% saat ini tidak menikah, kira-kira- perbedaan antara situs secara statistik signifikan.imately seperempat dibutuhkan setidaknya beberapa bantuan dengan ADL mereka,

Poin ditugaskan untuk masing-masing prediktor seperti yang dijelaskan dalam

setengah dirawat di rumah sakit setidaknya sekali dalam sebelumnya Metode bagian, kecuali empat poin ditugaskan untuk '3tahun. Rating rata-rata untuk self-rated kesehatan (satu bulan sebelum penerimaan di satu tahun terakhir 'untuk memungkinkan fungsi monoton.masuk) adalah 55 (standar deviasi 25), dan median Menggunakan model regresi hanya didasarkan pada sistem penilaian, kitaIndeks komorbiditas Charlson adalah 1 (antar-kuartil kisaran 0-2). mampu menetapkan celana skor berdasarkan prediksi readmis-

31022 pasien yang

diskrining untuk

Multisenter

Hospitalist Studi Dikecualikan 13.927 pasien:

13903 Tidak menyelesaikan wawancara asupan 24   Usia <18 tahun

17.095 pasien yang terdaftar Dikecualikan 307 pasien dengan lama tinggal ≥ 30 hari

16.788 pasien yang tersisa Dikecualikan 3814 pasien tidak dibuang ke rumah

12.974 pasien yang tersisa Dikecualikan 2028 pasien yang meninggal

dalam waktu 30 hari dari debit 10.946 pasien yang tersisa

Gambar 1. Pemilihan

pasien.

214 Hasan et al:. Hospital pendaftaran kembali Prediksi Model JGIM

Tabel 1. Pasien Karakteristik

Karakteristik Seluruh kohort n = 10946 Penurunan kohort b n = 7287 Validasi kohort b n = 3.659

Diterima kembali, n (%) 1.912 (17.5) 1.274 (17,5) 638 (17.4)Kelamin laki-laki, n (%) 4,774 (43,6) 3.167 (43,5) 1.607 (43,9)Kelompok umur, n (%)

18 - 39 tahun 2.396 (21,9) 1.590 (21,8) 806 (22,0)40 - 60 tahun 3903 (35,7) 2.597 (35,6) 1.306 (35,7)61-75 tahun 2.493 (22,8) 1.681 (23,1) 812 (22.2)> 75 tahun 2.154 (19,7) 1.419 (19,5) 735 (20.1)

Ras / etnis (n = 10.919), n (%)Putih 5009 (45,9) 3.318 (45,7) 1.691 (46,3)Hitam 3.961 (36,3) 2.635 (36,3) 1.326 (36,3)Asia 558 (5.1) 373 (5.1) 185 (5.1)Lain 638 (5.8) 432 (5.9) 206 (5.6)Hispanic 753 (6.9) 511 (7.0) 242 (6.6)

Pendapatan rumah tangga dalam dolar, n (%)≤ 15.000 2.683 (24.5) 1.798 (24,7) 885 (24.2)15.001 - 35.000 1.353 (12.4) 906 (12.4) 447 (12.2)35.001 - 50.000 697 (6.4) 458 (6.3) 239 (6.5)> 50.000 1.405 (12.8) 947 (13.0) 458 (12.5)Tidak tahu atau hilang 4808 (43,9) 3.178 (43,6) 1.630 (44,6)

Pendidikan (n = 10.316), n (%)<SMA 2.250 (21.8) 1.518 (22,1) 732 (21.2)Lulusan SMA 3.085 (29.9) 2.042 (29,7) 1043 (30.2)Beberapa perguruan tinggi 2.651 (25,7) 1.772 (25,8) 879 (25,5)≥ Universitas pascasarjana 2.330 (22,6) 1.534 (22,3) 796 (23.1)

Asuransi utama (n = 10.465), n (%)Medicare 4687 (44,8) 3.105 (44,5) 1.582 (45,3)Medicaid 1.973 (18.9) 1.314 (18,8) 659 (18.9)Self-bayar 2.536 (24.2) 1.708 (24,5) 828 (23,7)Pribadi 1.269 (12.1) 846 (12.1) 423 (12.1)

Status pernikahan (n = 10.553), n (%)Saat menikah 4.019 (38.1) 2.700 (38,4) 1.319 (37,4)Saat ini tidak menikah 6534 (61,9) 4326 (61,6) 2.208 (62,6)

Jumlah orang hidup dengan (n = 10.165), n (%)Sendirian 2.210 (21.7) 1.461 (21,7) 749 (21,9)≥ 1 7955 (78,3) 5.286 (78,4) 2.669 (78,1)

Seseorang untuk membantu (n = 10.596), n (%)Ya 9561 (90,2) 6.359 (90,1) 3.202 (90,5)Tidak 1.035 (9.8) 697 (9.9) 338 (9.6)

Dokter biasa (n = 10.793), n (%)Ya 8659 (80.2) 5762 (80,2) 2.897 (80,2)Tidak 2.134 (19,8) 1.420 (19,8) 714 (19,8)Indeks Charlson (n = 10.630), median (IQR) 1 (0-2) 1 (0-2) 1 (0-2)Self-nilai kesehatan (n = 10.146), berarti (SD) 55,2 (24,9) 55,2 (25,0) 55,1 (24,9)SF12 fisik (n = 9920), rata-rata (SD) 38,2 (12,7) 38,3 (12,7) 37,8 (12,7)SF12 Mental (n = 9920), rata-rata (SD) 48,2 (11,6) 48,1 (11,6) 48,2 (11,5)Negara Mini mental (n = 8796), rata-rata (SD) 20.3 (2.4) 20.3 (2.4) 20,3 (2,5)

Keterbatasan fungsional (n = 10.166), n (%)Tidak ada bantuan yang diperlukan 5328 (52.4) 3558 (52,6) 1.770 (52,0)Sedikit bantuan dengan IADLs hanya 1.428 (14.1) 972 (14.4) 456 (13.4)Banyak bantuan dengan IADLs hanya 903 (8.9) 596 (8.8) 307 (9.0)Sedikit bantuan dengan ADL 1.259 (12.4) 830 (12.3) 429 (12.6)Banyak bantuan dengan ADL 1.248 (12.3) 805 (11,9) 443 (13.0)

Penerimaan tahun lalu (n = 10.772), n (%)Tak satupun 5397 (50.1) 3.602 (50,3) 1.795 (49,8)1 2.493 (23.1) 1628 (22,7) 865 (24,0)2 1.178 (10.9) 782 (10.9) 396 (11,0)3 682 (6.3) 454 (6.3) 228 (6.3)4 360 (3.3) 240 (3.4) 120 (3.3)≥ 5 662 (6.2) 461 (6.4) 201 (5.6)

Panjang saat tinggal, n (%)1 - 2 hari 4.532 (41.4) 3.010 (41,3) 1.522 (41,6)> 2 hari 6.414 (58,6) 4.277 (58,7) 2.137 (58,4)

Tinggal satu hari ekstra (n = 10.519), n (%)Ya 3879 (36,9) 3.920 (56,0) 1.934 (54,9)Tidak 5854 (55.7) 2.571 (36,7) 1.308 (37,2)Don 't know 786 (7.5) 508 (7.3) 278 (7.9)

Situs pendaftaran, n (%)(A) 3.704 (33.8) 2.463 (33,8) 1.241 (33,9)(B) 1.267 (11.6) 847 (11.6) 420 (11.5)(C) 2.994 (27,4) 1.990 (27,3) 1.004 (27,4)(D) 1.663 (15.2) 1.110 (15,2) 553 (15.1)(E) 1.318 (12,0) 877 (12,0) 441 (12.1)

Karena pembulatan, persentase mungkin tidak sama 100, karena dari data yang hilang, jumlah pasien di beberapa kategori mungkin kurang dari seluruh kelompok

(ditampilkan dalam tanda kurung) Semua nilai P untuk perbedaan antara derivasi kohort dan validasi kohort adalah> 0,05 menggunakan uji chi-square untuk variabel kategori dan t-test untuk variabel

kontinyu

JGIM Hasan et al:. Hospital pendaftaran kembali Prediksi Model 215

Tabel 2. Asosiasi Pasien Karakteristik dengan 30 hari Hospital pendaftaran kembali dalam Penurunan Cohort

Kategori Karakteristik Diterima kembali

Tidak diterima kembali Rasio Odds (95% CI) b Nilai P b

n = 1.274 n = 6013

Faktor-faktor sosio-demografis Kelamin laki-laki (%) 41,8 43.8 0.94 (0,84-1,06) 0.30Kelompok umur (%)

18 - 39 tahun 20.1 22.2 1.14 (0,89-1,46) 0.3040 - 60 tahun 34,9 35,8 1.20 (0,96-1,50) 0.1161-75 tahun 24,9 22,7 1.18 (0,98-1,41) 0.08> 75 tahun 20.2 19.3 Referensi

Ras / etnis (%)Putih 44,2 46,0 ReferensiHitam 38,8 35,7 1.11 (0,90-1,38) 0.34Asia 4.4 5.3 0.88 (0,65-1,19) 0.41Lain 5.7 6.0 0.94 (0,70-1,27) 0.69Hispanic 7.0 7.0 1.04 (0,78-1,39) 0.81

Pendapatan dalam dolar (%)≤ 15.000 23.6 24,9 0.90 (0,70-1,17) 0.4415.001 - 35.000 13.9 12.1 1.25 (0,96-1,64) 0.0935.001 - 50.000 6.1 6.3 1.09 (0,81-1,48) 0.56> 50.000 11,9 13.2 ReferensiTidak tahu atau hilang 44,6 43.4 1.02 (0,80-1,29) 0.90

Pendidikan (%)<SMA 23.6 21.8 1.02 (0,84-1,25) 0.84Lulusan SMA 28,5 30.0 0.92 (0,75-1,12) 0.40Beberapa perguruan tinggi 25,7 25,8 0.97 (0,80-1,18) 0.77≥ Universitas pascasarjana 22.2 22.4 Referensi

Asuransi (%)Medicare 50,7 43.2 2.22 (1,73-2,84) <0,001Medicaid 20.2 18.6 1.94 (1,50-2,51) <0,001Self-bayar 21.2 25.2 1.53 (1,16-2,02) 0,003Pribadi 7.9 13.0 Referensi

Dukungan sosial Status perkawinan (%)Saat menikah 41,8 37,7 1.19 (1,04-1,36) 0.01Saat ini tidak menikah 58.2 62.3 Referensi

Jumlah orang hidup dengan (%)Sendirian 21,0 21.8 1.04 (0,88-1,23) 0.65≥ 1 79.0 78,2 Referensi

Seseorang untuk membantu (%)Ya 91,4 89,9 1.15 (0,92-1,44) 0.22Tidak 8.6 10.2 Referensi

Dokter biasa (%)Ya 84.0 79,4 1.44 (1,19-1,75) <0,001Tidak 16,0 20,6 Referensi

Kondisi kesehatan Indeks Charlson, median (IQR) 1 (0-2) 1 (0-2) 1.13 (1,08-1,19) (per 1 unit perubahan) <0,001Self-nilai kesehatan, rata-rata (SD) 52,0 (24,9) 55,8 (24,9) 0.98 (0,95-1,02) (per 10 unit perubahan) 0.31SF12 fisik, berarti (SD) 35,9 (12.4) 38,8 (12.7) 0.90 (0,83-0,98) (per 10 unit perubahan) 0.01SF12 Mental, berarti (SD) 47.2 (12,0) 48.3 (11.5) 0.97 (0,90-1,04) (per 10 unit perubahan) 0.35Kondisi mental Mini, berarti (SD) 20.2 (2.5) 20.3 (2.3) 0.85 (0,64-1,12) (per 10 unit perubahan) 0.25Keterbatasan fungsional (%)

Tidak ada bantuan yang diperlukan 44,2 54,4 Referensi

Sedikit bantuan dengan IADLs hanya 14.7 14.3 0.99 (0,77-1,26) 0.91

Banyak bantuan dengan IADLs hanya 10.4 8.5 1.16 (0,85-1,59) 0.34

Sedikit bantuan dengan ADL 14.7 11.8 1.22 (0,91-1,64) 0.18Banyak bantuan dengan ADL 16,0 11.0 1.20 (0,88-1,64) 0.24

Pemanfaatan Kesehatan Penerimaan tahun lalu (%)Tak satupun 38.1 52,8 Referensi1 25.3 22.2 1.61 (1,36-1,89) <0,0012 12,9 10.5 1.71 (1,39-2,10) <0,0013 6.6 6.3 1,47 (1,13-1,92) 0,0054 5.4 2.9 2.57 (1,89-3,51) <0,001≥ 5 11.8 5.3 3.02 (2,49-3,66) <0,001

Panjang saat tinggal (%)1 - 2 hari 33,8 42,9 Referensi> 2 hari 66,3 57,1 1.42 (1,25-1,60) <0,001

Tinggal satu hari ekstra (%)Ya 53,7 56,5 1.03 (0,89-1,19) 0.69Tidak 39.2 36,2 ReferensiDon 't know 7.2 7.3 0.96 (0,75-1,22) 0.71

Karena pembulatan, persentase mungkin tidak sama 100. Odds rasio dan nilai-nilai P yang berasal dari model regresi logistik multivariabel terpisah untuk setiap kategori; persamaan estimasi yang digunakan untuk

menjelaskan pengelompokan dengan pemakaian dokter dan situs rumah sakit dimasukkan sebagai efek tetap dalam masing-masing model. tingkat sion dari 0 - 9%, 10 - 19%, 20 - 29%, dan 30% atau lebih tinggi (Tabel 4). The 5,1% pasien dengan skor 25 atau lebih tinggi

memiliki tingkat pendaftaran kembali 30-hari dari 32,6% dan 28,9% pada turunan-tion dan validasi set, masing-masing, dibandingkan

dengan 30 hari tingkat pendaftaran kembali dari 16,4% pada pasien dengan skor di bawah 25 (tingkat yang sama pada kedua kohort).

The Hosmer - Lemeshow goodness of fit uji menghasilkan P-nilai 0,44 dan 0,23 untuk derivasi dan validasi kohort,

216 Hasan et al:. Hospital pendaftaran kembali Prediksi Model JGIM

Tabel 3. Akhir Logistic Regression Model Prediktor 30 hari Hospital pendaftaran kembali a

Variabel Koefisien Beta Rasio Odds (95% CI) Nilai P Poin b

AsuransiMedicare 0,549 1.73 (1,37-2,19) <0,001 5Medicaid 0.419 1,52 (1,14-2,03) 0,004 4Self-bayar 0.435 1,55 (1,15-2,07) 0,004 4Pribadi Referensi Referensi 0

Saat menikah 0,216 1,24 (1,09-1,41) 0.001 2Memiliki dokter biasa 0,288 1,33 (1,09-1,64) 0,006 3Indeks Charlson 0.090 1.09 (1,05-1,14) <0,001 1/unitSF12 Fisik - 0.007 0.99 (0,99-1,00) 0.01 - 1/10 unitPenerimaan dalam satu tahun terakhir

Tak satupun Referensi Referensi 01 0,452 1,57 (1,31-1,88) <0,001 42 0,489 1,63 (1,31-2,03) <0,001 43 0.157 1,17 (0,87-1,56) 0.29 44 0,858 2.36 (1,65-3,36) <0,001 9≥ 5 1,077 2.94 (2,36-3,66) <0,001 11

Panjang saat tinggal> 2 hari 0.301 1,35 (1,18-1,54) <0,001 3Generalized persamaan estimasi yang digunakan untuk menjelaskan pengelompokan dengan pemakaian dokter dan rumah sakit situs dipertahankan sebagai efek tetap

dalam model Dihitung dengan mengalikan koefisien beta sebesar 10 dan pembulatan ke bilangan bulat terdekat (dengan pengecualian untuk "Penerimaan dalam satu tahun

terakhir") masing-masing, menunjukkan baik model fit. Diskriminasi model hanya adil: area di bawah kurva ROC (AUC) adalah 0,65 dalam

kelompok derivasi dan 0,61 pada kelompok kontrol (Gambar 2). Dalam analisis yang sama pada pasien dibuang ke fasilitas sub-akut atau perawatan jangka panjang, satu-satunya prediktor signifikan

diterima kembali adalah jumlah penerimaan rumah sakit pada tahun sebelumnya dan usia pasien (hasil tidak ditunjukkan). Efek dari indeks

komorbiditas Charlson dan SF12 komponen fisik skor pada pendaftaran kembali adalah dengan magnitude yang sama seperti dengan pasien

habis rumah tetapi tidak prediktor signifikan karena interval kepercayaan yang lebih luas. Panjang rumah sakit tinggal, status perkawinan,

kehadiran PCP, dan status asuransi yang jauh lebih sedikit prediksi diterima kembali. PEMBAHASAN

Menggunakan data dari KIA Study, kami mampu mengidentifikasi prediktor pasien-level kunci rumah sakit awal pendaftaran kembali dan

berasal dan internal memvalidasi model pelit dan mudah digunakan untuk menilai risiko diterima kembali pada pasien kedokteran umum di

rumah sakit untuk berbagai kondisi medis dan habis rumah. Menggunakan tujuh prediktor mudah tersedia, model kami mampu

mengidentifikasi 5% pasien dengan risiko kira-kira-kira 30% diterima kembali dalam waktu 30 hari dari debit. Meskipun kemampuan

diskriminatif dari model kita hanya adil, masih menyediakan alat yang berguna dan mudah digunakan untuk mengidentifikasi pasien berisiko tinggi yang mungkin memerlukan penggunaan lebih intensif dari sumber daya rumah sakit yang dirancang untuk mengurangi

tingkat pendaftaran kembali. Beberapa faktor pasien-tingkat diidentifikasi sebagai prediksi-tor yang signifikan yang diketahui dari literatur yang diterbitkan, seperti

jumlah penerimaan rumah sakit pada tahun sebelumnya dan indeks komorbiditas Charlson 16-26. Itu agak mengejutkan bahwa status

perkawinan dan memiliki dokter reguler baik secara positif terkait dengan risiko diterima kembali. Ada kemungkinan bahwa kehadiran

dukungan sosial, seperti pasangan, memungkinkan beberapa pasien lemah yang akan habis rumah yang dinyatakan akan trans-ferred ke

fasilitas perawatan subakut (catatan, saat model kami diterapkan pada pasien dibuang ke fasilitas, yang menikah adalah prediktor diabaikan

diterima kembali). Demikian pula, memiliki dokter biasa dapat menjadi penanda keparahan penyakit tidak ditangkap oleh prediktor lain

dalam model kami. Kemungkinan lain adalah bahwa memiliki pasangan atau dokter biasa dapat menyebabkan deteksi dini kerusakan klinis

dan / atau batas bawah untuk diterima kembali, meskipun kurangnya hubungan yang signifikan antara memiliki bantuan di rumah atau hidup

dengan seseorang dan penerimaan kembali awal muncul untuk membantah ini. Namun demikian, penjelasan ini tidak mengurangi kegunaan

dari faktor-faktor tersebut sebagai prediktor dalam model kami. Studi masa depan harus memvalidasi temuan ini dan com-pare Model

diskriminasi dengan dan tanpa faktor-faktor sosial. Umur merupakan salah satu prediktor yang telah tercatat memiliki hubungan yang signifikan dengan risiko diterima kembali dalam

beberapa penelitian tetapi tidak signifikan dalam model akhir kami. Namun, Medicare asuransi utama adalah prediktor signifikan dalam

model terakhir kami dan variabel ini menggabungkan usia, yang sebagian dapat menjelaskan temuan ini. Selain itu, faktor lain yang lebih

prediktif Tabel 4. Perbandingan Skor Prediksi dan Teramati pendaftaran kembali Rates

Rentang skor

0 sampai 6 7 sampai 17 18 sampai 24 ≥ 25

Pasien% dalam skor range 3.7 69,0 22.3 5.1Tingkat pendaftaran kembali Diprediksi% 0 - 9% 10-19% 20 - 29% ≥ 30%Diamati% diterima kembali dalam derivasi kohort 9.8 14.6 23.0 32,6Diamati% diterima kembali dalam validasi kohort 5.9 15.3 21.2 28,9a Karena pembulatan, persentase mungkin tidak sama 100.

JGIM   Hasan et al:. Hospital pendaftaran kembali Prediksi Model   217

Gambar 2. Perbandingan penerima karakteristik operasi (ROC) kurva untuk derivasi dan validasi kohort. A. ROC kurva untuk derivasi

kohort. B. Kurva ROC untuk validasi kohort. umumnya ditemukan pada orang tua mungkin sudah telah ditangkap dalam model kami, termasuk indeks komorbiditas Charlson dan rawat

inap selama satu tahun sebelumnya. Dalam analisis tambahan pasien dibuang ke fasilitas sub-akut dan perawatan jangka panjang, kami menemukan bahwa variabel dukungan

sociodemo-grafis dan sosial yang jauh lebih prediktif diterima kembali. Ini mungkin karena faktor-faktor ini menengahi diterima kembali

melalui akses ke perawatan dan kinerja aktivitas perawatan diri, dan faktor-faktor ini jauh lebih penting ketika akses ke perawatan pada

dasarnya terus menerus. Karakteristik kinerja model kita hanya adil. Namun, mereka sebanding dengan kemampuan diskriminatif model prediksi risiko diterima

kembali sering dikutip lainnya. AUC kami 0,61 pada kelompok kontrol identik dengan AUC dari P ra (kemungkinan masuk berulang)

Model 21, 38. Mirip dengan model kami, model ra P mampu mengidentifikasi sekelompok kecil (7,2%) dari pasien berisiko tinggi diterima

kembali (41,8% dengan dua atau lebih penerimaan lebih dari 4 tahun). The satu model terkenal dengan AUC tinggi (0.83) termasuk 20

variabel dengan delapan istilah interaksi, meningkatkan kemungkinan bahwa itu overfit untuk populasi digunakan untuk menurunkan dan

membatasi kegunaannya sebagai alat klinis praktis 26. Dua berperforma tinggi lainnya tetapi model yang rumit simi rutin dengan AUC

berkisar 0,68-0,75 berasal dari National Health Service database Inggris 's dan tidak dapat digunakan di Amerika Serikat karena

ketergantungan mereka pada data dari catatan medis elektronik nasional 24, 25 . Mengapa begitu sedikit model statistik yang diperoleh sampai saat ini mampu andal memprediksi risiko diterima kembali dalam populasi

yang beragam pasien rawat inap medis? Ada beberapa possibili-ikatan. Pertama, beberapa penting dan sebelumnya tidak diketahui pra-

dictors mungkin hilang dari model yang ada. Sebagai contoh, kita sekarang tahu bahwa kejadian efek samping obat (ADES) merupakan

masalah keselamatan pasien penting berikut dikeluarkan dari rumah sakit, dan ada-ing model - termasuk satu yang diturunkan untuk studi

ini - tidak termasuk banyak prediktor baru ini diidentifikasi posting Ades-discharge (seperti jumlah dan kelas obat preadmission dan

pengetahuan pasien obat mereka) 39, 40. Kedua, spidol generik keparahan penyakit mungkin kurang prediktif ketika mengevaluasi populasi

dengan kondisi medis yang beragam berbeda dengan penanda penyakit tertentu seperti untuk gagal jantung kongestif 12 - 14. Ketiga, adalah

masuk akal bahwa risiko diterima kembali memiliki korelasi lemah dengan karakteristik klinis pasien dan keadaan sosial daripada yang

dilakukannya dengan proses perawatan selama rawat inap dan debit dan dengan perawatan pasca-discharge 41. Itu tingkat pendaftaran

kembali disesuaikan bervariasi oleh situs adalah salah satu bagian dari bukti yang mendukung hipotesis ini. Jadi, daripada mengidentifikasi

satu kelompok pasien berisiko tinggi diterima kembali dan memfokuskan intervensi pada mereka, mungkin lebih efisien untuk memastikan

bahwa semua pasien menerima satu set standar debit proses 11. Atau, mungkin layak mengidentifikasi berbagai jenis pasien berisiko tinggi

dan menyesuaikan intervensi yang sesuai (misalnya, seorang apoteker intervensi terfokus untuk pasien berisiko tinggi untuk Ades, close

tindak lanjut untuk pasien dengan kondisi medis berisiko tinggi tertentu). Penelitian kami memiliki beberapa keterbatasan. Meskipun itu con-menyalurkan di enam pusat kesehatan akademis di negara-negara

yang berbeda dan termasuk informasi rinci tentang populasi pasien yang cukup besar dan beragam, hati-hati harus dilakukan dalam

generalisasi temuannya kepada rumah sakit kecil, pedesaan, dan / atau masyarakat. Sebuah proporsi yang cukup besar dari pasien yang

diskrining tidak dapat dimasukkan dalam penelitian kami, lebih lanjut membatasi generalisasi, menganalisis baca-misi pada populasi ini,

terutama pada pasien yang habis sebelum mereka bisa diwawancarai, dapat menghasilkan wawasan Addi-nasional menjadi alasan di balik

rumah sakit awal readmis-sion pada pasien dengan panjang pendek tinggal. Selain itu, kami dikecualikan pasien yang meninggal dalam

waktu 30 hari dari debit karena prediktor kematian mungkin agak berbeda dari prediktor diterima kembali. Karena kita tidak mengadili

apakah setiap pendaftaran kembali adalah elektif vs tidak direncanakan, kita tidak bisa mengecualikan readmissions murni elektif, namun

berdasarkan pengalaman kolektif kami, kami harapkan tingkat elektif

218   Hasan et al:. Hospital pendaftaran kembali Prediksi Model   JGIM

readmissions pada layanan kedokteran umum menjadi rendah. Terakhir, kami tidak dapat mengkonfirmasi readmissions ke rumah sakit non-

studi, dan pasien yang diketahui tidak melaporkan readmissions rumah sakit 42. Namun, singkat kerangka waktu (hanya 30 hari) untuk

mengukur readmissions dan penggunaan data administrasi untuk mengkonfirmasi baca-misi untuk mempelajari rumah sakit meminimalkan

dampak potensial dari bias. Singkatnya, model prediksi berasal dan internal divalidasi dalam multi-center kohort besar pasien rawat inap kedokteran umum berhasil

mengidentifikasi sebagian kecil pasien berisiko tinggi diterima kembali rumah sakit dalam waktu 30 hari dari rumah debit. Sementara

intervensi dapat dirancang dan diuji pada populasi ini, banyak pekerjaan yang diperlukan untuk mengidentifikasi faktor-faktor tambahan

yang mempengaruhi pasca-discharge hasil kesehatan, mengoptimalkan proses discharge untuk semua pasien, dan menciptakan intervensi

yang disesuaikan dengan kebutuhan pasien untuk mencegah readmissions berpotensi dihindari .

Pendanaan / support: The Multisenter Hospitalist Study sup-porting oleh hibah R01-HS10597 dari Badan Kesehatan Penelitian dan Kualitas. Dr. Hasan was

supported by grant T32-HP11001 from the Health Resources and Services Administration of the Department of Health and Human Services to support the

Harvard Medical School Fellowship in General Medicine and Primary Care. The Multicenter Hospitalist Study is registered at http:// clinicaltrials.gov (NCT00204048).

Conflict of Interest: None disclosed. Corresponding Author: Jeffrey L. Schnipper, MD, MPH; Division of General Internal Medicine ( Brigham and Women ' s Hospital, 1620 Tremont Street,

3rd Floor, Boston, MA 02120-1613, USA (e-mail: jschnipper@partners.org). REFERENSI

McDonald KM, Sundaram V, Bravata DM, et al. Closing the quality gap: a critical analysis of quality improvement strategies. Volume 7: Care Coordination. AHRQ Publication No.

04(07)-0051-7. Rockville, MD: Agency for Healthcare Research and Quality; 2007. Available at www. ahrq.gov/downloads/pub/evidence/pdf/caregap/caregap.pdf . Diakses

November 9, 2009. Balla U, Malnick S, Schattner A. Early readmissions to the department of medicine as a screening tool for monitoring quality of care problems. Medicine. 2008;87:294 - 300. Jencks SF, Williams MV, Coleman EA. Rehospitalizations among patients in the Medicare fee-for-service program. N Engl J Med. 2009;360:1418 - 28. Clarke A. Are readmissions avoidable? BMJ. 1990;301:1136 - 8. Frankl SE, Breeling JL, Goldman L. Preventability of emergent hospital readmission. Am J Med. 1991;90:667 - 74. Gautam P, Macduff C, Brown I, Squair J. Unplanned readmissions of elderly patients. Health Bull (Edinb). 1996;54:449 - 57. Rich MW, Beckham V, Wittenberg C, Leven CL, Freedland KE, Carney RM. A multidisciplinary intervention to prevent the readmission of elderly patients with congestive heart

failure. N Engl J Med. 1995;333:1190 - 5. Naylor MD, Brooten D, Campbell R, et al. Comprehensive discharge planning and home follow-up of hospitalized elders: a randomized clinical trial. JAMA. 1999;281:613 - 20. Naylor MD, McCauley KM. The effects of a discharge planning and home follow-up intervention on elders hospitalized with common medical and surgical cardiac conditions. J

Cardiovasc Nurs. 1999;14:44 - 54. Naylor MD, Brooten DA, Campbell RL, Maislin G, McCauley KM, Schwartz JS. Transitional care of older adults hospitalized with heart failure: a randomized, controlled trial. J Am Soc

Geriatr. 2004;52:675 - 84.

Jack BW, Chetty VK, Anthony D, et al. A reengineered hospital discharge program to decrease rehospitalization: a randomized trial. Ann Intern Med. 2009;150:178 - 87. Krumholz HM, Parent EM, Tu N, et al. Readmission after hospitaliza-tion for congestive heart failure among Medicare beneficiaries. Arch Intern Med. 1997;157:99 - 104. Kossovsky MP, Sarasin FP, Perneger TV, Chopard P, Sigaud P, Gaspoz J. Unplanned readmissions of patients with congestive heart failure: do they reflect in-hospital quality of care or

patient characteristics? Am J Med. 2000;109:386 - 90. Chin MH, Goldman L. Correlates of early hospital readmission or death in patients with congestive heart failure. Am J Cardiol. 1997;79:1640 - 4. Grant RW, Charlebois ED, Wachter RM. Risk factors for early hospital readmission in patients with AIDS and pneumonia. J Gen Intern Med. 1999;14:531 - 6. Phillips RS, Safran C, Cleary PD, Delbanco TL. Predicting emergency readmissions for patients discharged from the medical service of a teaching hospital. J Gen Intern Med. 1987;2:400

- 5. Corrigan JM, Martin JB. Identification of factors associated with hospital readmission and development of a predictive model. Health Serv Res. 1992;27:81 - 101. Smith DM, Katz BP, Huster GA, Fitzgerald JF, Martin DK, Freedman JA. Risk factors for nonelective hospital readmissions. J Gen Intern Med. 1996;11:762 - 4. Holloway JJ, Medendorp SV, Bromberg J. Risk factors for early readmissions among veterans. Health Serv Res. 1990;25:213 - 37. Reed RL, Pearlman RA, Buchner DM. Risk factors for early unplanned hospital readmission in the elderly. J Gen Intern Med. 1991;6:223 - 8.

Boult C, Dowd B, McCaffrey D, Boult L, Hernandez R, Krulewitch H. Screening elders for risk of hospital admission. J Am Soc Geriatr. 1993;41:811 - 7.

Marcantonio ER, McKean S, Goldfinger M, Kleefield S, Yurkofsky M, Brennan TA. Factors associated with unplanned hospital readmission among patients 65 years of age and older in a

Medicare managed care plan. Am J Med. 1999;107:13 - 17. Smith DM, Giobbie-Hurder A, Weinberger M, et al. Predicting non-elective hospital readmissions: a multi-site study. Department of Veterans Affairs Cooperative Study Group on Primary

Care and Read-missions. J Clin Epidemiol. 2000;53:1113 - 8. Billings J, Dixon J, Mijanovich T, Wennberg D. Case finding for patients at risk of readmission to hospital: development of algorithm to identify high risk patients. BMJ.

2006;333(7563):327. Epub 2006 Jun 30. Bottle A, Aylin P, Majeed A. Identifying patients at high risk of emergency hospital admissions: a logistic regression analysis. JR Soc Med. 2006;99:406 - 14. Coleman EA, Min SJ, Chomiak A, Kramer AM. Posthospital care transitions: patterns, complications, and risk identification. Health Serv Res. 2004;39:1449 - 65. Meltzer D, Arora V, Zhang J, et al. Effects of inpatient experience on outcomes and costs in a multicenter trial of academic hospitalists. J Gen Intern Med. 2005;20(s1):141 - 2. Meltzer D, Wetterneck T, Kaboli P, et al. Effects of hospitalists on outcomes and costs in a multicenter trial of academic hospitalists. Paper presented to the annual meeting of the Society

of Hospital Medicine, Chicago, April 2005. Schneider JA, Zhang Q, Auerbach A, et al. Do hospitalists or physicians with greater inpatient HIV experience improve HIV care in the era of highly active antiretroviral therapy? Results

from a multicenter trial of academic hospitalists. Clin Infect Dis. 2008;46:1085 - 92. Roccaforte WH, Burke WJ, Bayer BL, Wengel SP. Validation of a telephone version of the mini-mental state examination. J Am Soc Geriatr. 1992;40:697 - 702. Fischbach R. Early identification of demented persons in the community. In: Becker R, Giacobini E, eds. Alzheimer ' s disease: current research in early diagnosis. New York, NY: Taylor

and Francis Inc; 1990:49 - 74. Ware J, Kosinski M, Keller SD. A 12-item short-form health survey: construction of scales and preliminary tests of reliability and validity. Med Care. 1996;34:220 - 33. Katz JN, Chang LC, Sangha O, Fossel AH, Bates DW. Can comorbidity be measured by questionnaire rather than medical record review? Med Care. 1996;34:73 - 84. Wasson JH, Sox HC, Neff RK, Goldman L. Clinical prediction rules: applications and methodological standards. N Engl J Med. 1985;313: 793 - 99.

JGIM   Hasan et al.: Hospital Readmission Prediction Model   219

Hanley JA, Negassa A, Edwardes MD, Forrester JE. Statistical analysis of correlated data using generalized estimating equations: an orientation. Am J Epidemiol. 2003;157:364 -

75. Hosmer DW, Hosmer T, Le Cessie S, Lemeshow S. A comparison of goodness-of-fit tests for the logistic regression model. Stat Med. 1997;16:965 - 80. Centor RM, Schwartz JS. An evaluation of methods for estimating the area under the receiver operating characteristic (ROC) curve. Med Decis Making. 1985;5:149 - 56. Novotny NL, Anderson MA. Prediction of early readmission in medical inpatients using the Probability of Repeated Admission instrument. Nurs Res. 2008;57:406 - 15.

Pippins JR, Gandhi TK, Hamann C, et al. Classifying and predicting errors of inpatient medication reconciliation. J Gen Intern Med. Sep 2008;23:1414 - 22. Forster AJ, Murff HJ, Peterson JF, Gandhi TK, Bates DW. Adverse drug events occurring following hospital discharge. J Gen Intern Med. 2005;20:317 - 23. Polanczyk CA, Newton C, Dec GW, Di Salvo TG. Quality of care and hospital readmission in congestive heart failure: an explicit review process. J Card Fail. 2001;7:289 - 98. Norrish A, North D, Kirkman P, Jackson R. Validity of self-reported hospital admission in a prospective study. Am J Epidemiol. 1994;140: 938 - 42.

Reproduksi dengan izin dari pemilik hak cipta. Further reproduction prohibited without permission.

Original English text:Omar Hasan, MBBS, MPH 1,2 , David O. Meltzer, MD, PhD 3 , Shimon A. Shaykevich, MS 1 , Chaim M. Bell, MD, PhD 4 , Peter J. Kaboli, MD, MS 5 , Andrew D. Auerbach, MD, MPH 6 ,

Contribute a better translation