某院31天内再入院现状与影响因素分析

目的通过对沈阳市某三甲医院住院患者出院31天内再入院现状和影响因素分析,为医疗质量的科学管理提供依据。方法对医院2009年1月1日～12月31日间出院后31天内再入院的患者进行描述性分析,通过t检验和,检验进行单因素分析,选择有统计学意义的影响因素进行Logistic回归分析。结果患者年龄、年龄2、性别、病史、前次入院天数、再入院间隔天数、前次合并症个数、前次住院状况、前次出院转归等是影响31天内再入院的主要因素。结论疾病严重程度是影响31天内再入院的最重要影响因素;病种特征是再入院可预防的因素;年龄特征诱发再入院。     

出院患者非计划再入院影响因素分析

目的 了解出院患者非计划再入院的影响因素。方法 采用SPSS 19.0 统计软件对某大型公立医院2014年出院患者病案首页资料数据进行描述性分析,分为研究组（非计划再入院组）和对照组进行对比研究。结果 非计划再入院的前15位病例的再入院率为12.81%,疾病以慢性或难治性疾病为主,再入院发生率较高的前3个科室是肿瘤放疗科、感染性疾病科、脑病科。研究组合并1种疾病患者的比例（40.0%）高于对照组（28.3%）,而无合并疾病患者的比例（15.5%）低于对照组（21.6%）。有术后并发症病例的非计划再入院率（     

慢性心力衰竭患者1年内再入院情况及影响因素分析

目的 探讨慢性心力衰竭患者出院1年内再入院的发生情况及影响因素。方法 选择2019年1月至2021年12月在淮安市第二人民医院住院治疗的慢性心力衰竭患者作为研究对象,对患者随访1年,采用描述流行病学分析方法对该人群出院1年内再入院的情况进行分析,并采用单、多因素对再入院的影响因素进行分析。结果本研究共有效纳入981例慢性心力衰竭患者,其中479例患者出院1年内再入院治疗,再入院率为48.83%;多因素分析结果显示年龄越大(OR=1.587)、BMI≥28.0 kg/m²(OR=3.177)、病程(1～<5年OR=1.562,≥5年OR=2.538)、出院时心功能分级(Ⅲ级OR=1.505,Ⅳ级OR=2.097)、独居(OR=2.583)、合并高血压(OR=1.491)、合并冠心病(OR=3.107)、合并血脂异常(OR=3.002)、服药依从性差(OR=5.149)、不能规律复诊(OR=1.893)、未能坚持低钠饮食(OR=1.491)、未能坚持限制饮水(OR=2.010),自我感受负担(中度负担OR=3.965,重度负担OR=4.590)是慢性心力衰竭患者...     

2017年某院出院患者再入院病例的统计分析

目的:了解2017年某医院住院患者出院31 d内同病种再入院的现状及其原因.方法:将某医院2017年出院31 d内再入院患者的相关信息数据导入至Excel 2010中,经整理、统计后筛查出18种住院重点疾病31d内患者因同病种再住院的例数,并进行描述性分析和单因素分析.结果:患者出院至再入院的平均间隔天数为(13.63±2.30)d,且0～15 d内再住院率为58.04％,高于16～31 d的41.96％;单因素分析发现,患者年龄、前次住院是否治愈、病种与31 d内出院再入院率差异有统计学意义(P＜0.05).结论:医院应重视中老年疾病、重症疾病、慢性病的临床防治研究工作,尽量减少31d内重复住院率,以使医疗资源得到充分的利用,医院获得更好的社会效益.     

心力衰竭患者出院后再入院的影响因素分析

目的 探讨心力衰竭患者出院后再入院的影响因素。方法 根据病史资料回顾性分析选取2015年1月—2017年1月解放军第八五医院收治的心力衰竭患者110例,随访1年,依据再入院分为再入组和未入组,分析心力衰竭患者出院后再入院的影响因素。结果 110例心力衰竭患者中,出院后再入院52例（47.27%）;单因素分析结果显示,患者出院后再入院与性别、吸烟史、饮酒史、住院时间和合并糖尿病无关（P＞0.05）,但与年龄、文化程度、家庭陪护数、高盐饮食、心功能分级、合并高血压、心肌梗死病史和感染有关（P＜0.05）;logistic多因素分析结果显示,年龄、高盐饮食、合并高血压、心肌梗死病史和感染是患者出院后再入院的独立危险因素（P＜0.05）。结论 心力衰竭患者出院后再入院风险高,其与多种因素有关,其中高盐饮食、合并高血压、心肌梗死病史和感染是独立危险因素,应积极加强干预。     

降低心力衰竭患者30天内再入院率的文献分析与启示

基于实用性和创新性原则,通过文献筛选,选取3篇国外有关降低心力衰竭患者30天内再入院率的文献进行分析。国际上关于心力衰竭患者30天内再入院率的监督管理和研究已较为普遍,但我国尚未全面开展。提出以下几点建议:基于循证持续改进临床诊疗指南与绩效评估指标;提高出院后随访与照护品质;创新管理方式,加强多学科合作等。     

慢性充血性心力衰竭患者30天内再入院因素分析

目的探讨慢性充血性心力衰竭患者30d内再入院影响因素。方法收集住院的慢性心力衰竭患者87例的I临床资料,随访心脏功能、住院原因、治疗依从性及门诊随访情况等再入院的可能因素,通过多因素Logistic回归分析,探讨以上各因素与再入院的关系。结果87例心衰患者中62例（71．26％）30d内因心衰加重再人院,再入院的主要原因：液体潴留12例（13．79％）、不遵循处方15例（17．24％）、没有门诊随诊35例（40．22％）。再入院62例患者左室舒张末内径[（56．86±6．75）mm]、左室射血分数（45．06±4．95）与出院时左室舒张末内径[（53．20±7．30）mm]、左室射血分数（50．14±5．28）相比差异有统计学意义（P〈0．05）。Logistic回归分析显示：门诊未随诊（OR=15．382,P〈0．001）、不遵循处方（OR=3．611,P〈0．05）、液体潴留（OR=2．532,P〈0．05）为再入院的主要影响因素。年龄、性别、左心室射血分数等因素对30d内再住院无影响（P〉0．05）。结论慢性充血性心力衰竭患者30d内再人院率高。液体潴留、缺乏专病随诊和出院后不遵循处方是慢性充血性心力衰竭患者30d再人院的主要因素。。     

冠心病患者服用阿司匹林二级预防后再入院情况及影响因素

目的探讨冠心病患者服用阿司匹林二级预防后再入院情况及影响因素。方法选取2017年6月至2018年6月本院收治的冠心病患者440例。根据患者1年内再住院情况分为无再入院组362例和再入院组78例;收集两组患者的人口学特征、治疗依从性、行为特征、冠心病治疗史、血压及实验室指标,进行统计学分析。结果年龄、高血压率、付费方式、合理膳食、规律运动、吸烟、PCI、急诊溶栓、冠脉搭桥术、治疗依从性差的比例在两组患者间比较差异均有统计学意义(均P<0.05)。再入院组患者收缩压为(148.45±13.29)mm Hg,明显高于无再入院组,差异有统计学意义(P<0.05);再入院组患者B型钠尿肽、C反应蛋白水平均明显高于无再入院组;以上差异均有统计学意义(均P<0.05)。多因素Logistic回归分析显示,年龄、吸烟、治疗依从性差、B型钠尿肽水平高、C反应蛋白水平高是冠心病患者再入院的独立危险因素(均P<0.05);合理膳食、规律运动、PCI、冠脉搭桥术是冠心病患者再入院的保护因素(均P<0.05)。结论高龄、吸烟、治疗依从性差、B型钠尿肽及C反应蛋白水平高的冠心病患者服药阿司匹林二级预防后再入院率升高,应给予针对性防控。     

北京市某三甲医院31天内非计划性再入院研究

目的 了解北京市某三甲综合性医院住院患者出院31天内非计划再入院的现状及其影响因素。方法 对北京市某三甲综合性医院2008年1月1日—12月31日之间出院后31天内非计划性再入院的患者进行描述性分析，通过t 检验和χ2检验进行单因素分析，选择有统计学意义的危险因素用向后逐步回归法进行非条件Logistic分析。结果 患者性别、患者年龄、出院—再入院的间隔天数、前次入院时入院状况和前次入院疾病是否治愈是31天内非计划性再入院的主要影响因素。结论 患者特征和医院相关因素均与患者出院31天内非计划性再入院相关。     

120例慢性心力衰竭患者再入院的危险因素分析

目的 探讨影响慢性心力衰竭(CHF)患者再入院的危险因素。 方法 选择2016年1-9月海南省农垦三亚医院收治的120例CHF患者为研究对象,收集其临床资料,并通过电话或者上门随访调查患者是否再次入院,随访时间为半年。对可能影响CHF患者再入院的相关因素进行单因素χ²检验和多因素非条件logistic回归分析。 结果 对本组120例CHF患者随访半年,再次入院有68例,发生率达56.7％。单因素χ²检验分析结果显示,不同年龄、不同出院后药物治疗依从性、因呼吸道感染是否使用低盐溶液、是否有家庭陪护人员、不同饮食习惯及到心内科就诊不同频率患者之间再入院率,差异有统计学意义(P<0.01)。进一步logistic回归分析发现无家庭陪护人员(OR=2.880)、未坚持低盐限水饮食习惯(OR=2.147)、出院后药物治疗依从性差(OR=1.924)及至心内科就诊频率低(OR=1.882)是影响CHF患者再入院的独立危险因素。 结论 有效的家庭陪护,坚持低盐饮食的生活方式,培养患者良好的药物治疗依从性,制定周密的出院后复诊计划,不仅能够有效降低患者再次入院率,更能够提高患者的生活质量。     

Development of a 30-Day Readmission Risk Calculator for the Inpatient Rehabilitation Setting

ObjectivesReadmission to acute care from the inpatient rehabilitation facility (IRF) setting is potentially preventable and an important target of quality improvement and cost savings. The objective of this study was to develop a risk calculator to predict 30-day all-cause readmissions from the IRF setting.DesignRetrospective database analysis using the Uniform Data System for Medical Rehabilitation (UDS_MR) from 2015 through 2019.Setting and ParticipantsIn total, 956 US inpatient rehabilitation facilities and 1,849,768 IRF discharges comprising patients from 14 impairment groups.MethodsLogistic regression models were developed to calculate risk-standardized 30-day all-cause hospital readmission rates for patients admitted to an IRF. Models for each impairment group were assessed using 12 common clinical and demographic variables and all but 4 models included various special variables. Models were assessed for discrimination (c-statistics), calibration (calibration plots), and internal validation (bootstrapping). A readmission risk scoring system was created for each impairment group population and was graphically validated.ResultsThe mean age of the cohort was 68.7 (15.2) years, 50.7% were women, and 78.3% were Caucasian. Medicare was the primary payer for 73.1% of the study population. The final models for each impairment group included between 4 and 13 total predictor variables. Model c-statistics ranged from 0.65 to 0.70. There was good calibration represented for most models up to a readmission risk of 30%. Internal validation of the models using bootstrap samples revealed little bias. Point systems for determining risk of 30-day readmission were developed for each impairment group.Conclusions and ImplicationsMultivariable risk factor algorithms based upon administrative data were developed to assess 30-day readmission risk for patients admitted from IRF. This report represents the development of a readmission risk calculator for the IRF setting, which could be instrumental in identifying high risk populations for readmission and targeting resources towards a diverse group of IRF impairment groups.     

卒中危险因素与脑血管血液动力学因素的交互作用

目的探讨卒中主要危险因素与脑血管血液动力学因素间的交互作用。方法对24475例35岁以上人群的基线调查、脑血管血液动力学指标（CVHI）检测结果及卒中发病随访资料进行分析，计算各危险因素单独暴露和CVHI积分异常联合对卒中发生的相对危险度（RR），分析两者间的交互作用。结果高血压病史、心脏病史、糖尿病史、卒中家族史、高血压病家族史等卒中危险因素暴露者伴有CVHI积分值降低时，调整RR分别为9．40（95％CI6．20～14．23），7．61（95％CI4．85-11．94），6．95（95％CI3．98-12．13），8．74（95％CI 5．49-13．89），7．14（95％CI 4．41-11．57），明显高于两者单独暴露的RR，呈相加模型的协同作用。结论有高血压病、心脏病、糖尿病病史，卒中和高血压病家族史者CVHI积分值降低时，卒中的风险明显升高，两者呈协同作用。     

530例脑血管病患者医院感染相关因素分析

目的：探讨脑血管病患者医院感染的相关因素。方法：回顾性分析了530例脑血管疾病患者在医院发生感染的情况。结果：在住院期间发生了医院感染165例，发生率为31．3％，其中脑出血122例，发生医院感染66例（54％），脑梗死292例，发生医院感染73例（25％）；65岁以上316例，发生医院感染117例，感染率为37％。结论：分析了各种相关因素后指出，意识不清，各种反射减弱，呼吸道分泌增多及泛用抗生素是导致医院感染的主要因素，并提出预防医院感染的相关措施。     

320例脑血管疾病患者医院感染临床分析

目的了解脑血管疾病患者医院感染危险因素,加强医院感染的防治. 方法对我院1996～2001年出院的脑血管疾病患者医院感染问题进行回顾性调查分析. 结果 320例患者中发生医院感染者86例,感染率为26.88%,感染部位以呼吸道为主占63.95%,其次为泌尿道占24.42%;其中61.63%发生在入院后的前两周内. 结论脑血管疾病发生医院感染与患者的年龄、住院天数、意识障碍、侵袭性操作及抗生素的使用有关.     

某院出院患者31天内再住院分析与讨论

目的 分析某三级医院出院患者31天内再住院情况,为医院管理提供依据.方法 对某三级医院2013年第一季度31内天再住院患者进行描述性分析.结果 出院患者31天内非预期再住院率为3.32％,24小时内非预期再住院率为0.75％.因病情变化再住院占77.96％,出院24小时内再住院占22.69％,平均再住院时间为12.89天.结论 医院应关注31天内非预期再住院等重返类指标,重视此类患者诊疗,规范科间会诊与转科等医疗行为,加强医保患者管理等.     

糖尿病肾病患者脑血管病变特点及危险因素分析

目的观察糖尿病肾病患者脑血管特点及其危险因素。方法将135例2型糖尿病患者,根据尿蛋白水平分为正常蛋白尿组（DM）、微量蛋白尿组（DN—Ⅲ）、大量蛋白尿组（DN～Ⅳ）、肾衰竭组（DN—Ⅴ）四组。用经颅多普勒超声检测各组患者颈内动脉及椎基底动脉系统的搏动指数（PI）、平均血流速度（Vm）。结果DN-Ⅴ组左右大脑中动脉、大脑后动脉及基底动脉的反映血管弹性的搏动指数高于其余各组（P〈0．05）。随着肾病进展,大脑后动脉平均血流速度明显下降（P〈0．05）。多元逐步回归分析显示年龄、血肌酐、收缩压、糖尿病病程是PI值的独立危险因素（P〈0．05）。年龄、尿蛋白是Vm的独立危险因素（P〈0．05）。结论随着糖尿病肾病进展,尿蛋白的增加,糖尿病患者脑血管弹性减弱,脑血流速度减慢。年龄、血肌酐、收缩压、糖尿病病程、尿蛋白是糖尿病肾病患者脑血管异常的独立危险因素。     

A Public-Private Partnership Develops and Externally Validates a 30-Day Hospital Readmission Risk Prediction Model

Introduction: Preventing the occurrence of hospital readmissions is needed to improve quality of care and foster population health across the care continuum. Hospitals are being held accountable for improving transitions of care to avert unnecessary readmissions. Advocate Health Care in Chicago and Cerner (ACC) collaborated to develop all-cause, 30-day hospital readmission risk prediction models to identify patients that need interventional resources. Ideally, prediction models should encompass several qualities: they should have high predictive ability; use reliable and clinically relevant data; use vigorous performance metrics to assess the models; be validated in populations where they are applied; and be scalable in heterogeneous populations. However, a systematic review of prediction models for hospital readmission risk determined that most performed poorly (average C-statistic of 0.66) and efforts to improve their performance are needed for widespread usage.Methods: The ACC team incorporated electronic health record data, utilized a mixed-method approach to evaluate risk factors, and externally validated their prediction models for generalizability. Inclusion and exclusion criteria were applied on the patient cohort and then split for derivation and internal validation. Stepwise logistic regression was performed to develop two predictive models: one for admission and one for discharge. The prediction models were assessed for discrimination ability, calibration, overall performance, and then externally validated.Results: The ACC Admission and Discharge Models demonstrated modest discrimination ability during derivation, internal and external validation post-recalibration (C-statistic of 0.76 and 0.78, respectively), and reasonable model fit during external validation for utility in heterogeneous populations.Conclusions: The ACC Admission and Discharge Models embody the design qualities of ideal prediction models. The ACC plans to continue its partnership to further improve and develop valuable clinical models.Key Words: 30-day All-Cause Hospital Readmission, Readmission Risk Stratification Tool, Predictive Analytics, Prediction Model, Derivation and External Validation of a Prediction Model, Clinical Decision Prediction Model     

Risk of 30-Day Hospital Readmission Among Patients Discharged to Skilled Nursing Facilities: Development and Validation of a Risk-Prediction Model

Objectives

Patients discharged to a skilled nursing facility (SNF) for post-acute care have a high risk of hospital readmission. We aimed to develop and validate a risk-prediction model to prospectively quantify the risk of 30-day hospital readmission at the time of discharge to a SNF.

脑血管病脂蛋白（a）和其它脂类水平的研究

目的：探讨脑血管病患者脂脂蛋白（a)[Lp(a)]和其它脂类水平与脑血管病的关系。方法：采用试剂盒检测55例脑出血,57例脑梗塞患者Lp(a)水平及胆固醇（Ch)、甘三酯（TG）、高密度脂蛋白（HDL）、载脂蛋白A－I（Apo-A-I)和载脂蛋白B（ApoB),并与85例健康对照者作比较,结果：脑梗塞组Lp(a),Apo(B)及TG呈显著正相关,而脑出血组Lp(a)与Ch呈显著负相关,脑梗塞组Lp(a)、TG异常检出率分别高达59．65％、52．63％,脑出血组HDL异常检出率高达50．91％,结论Lp(a)和其它脂类代谢异常是脑血管病患者最常见和重要的致病因素之一。