DOI: https://doi.org/10.3389/fpubh.2026.1776878
PMID: https://pubmed.ncbi.nlm.nih.gov/41822939
تاريخ النشر: 2026-02-25
المؤلف: Wei Shao وآخرون
الموضوع الرئيسي: سياسة وإدارة الرعاية الصحية
نظرة عامة
تستكشف هذه الدراسة العوامل المتنبئة بإعادة دخول المستشفى خلال 30 يومًا ضمن نظام دفع قائم على مجموعات التشخيص ذات الصلة (DRG) في الصين، باستخدام مجموعة بيانات كبيرة من مستشفى ثالثي في شنغهاي. تم تحليل ما مجموعه 62,085 حالة دخول، مما كشف عن معدل إعادة دخول خلال 30 يومًا بنسبة 13.0%. تشير النتائج الرئيسية إلى أن طول فترة الإقامة الأطول يزيد بشكل كبير من خطر إعادة الدخول (نسبة الأرجحية [OR] 1.016 لكل يوم، p < 0.001)، بينما ارتبطت التكاليف الإجمالية للمستشفى أيضًا بخطر إعادة الدخول، وإن كان بشكل ضعيف (p = 0.003). ومن الجدير بالذكر أن العمر وسنة الخروج لم يكونا من العوامل المتنبئة المهمة، لكن الفئات الرئيسية لمجموعات DRG أظهرت ارتباطًا قويًا بخطر إعادة الدخول (p العالمي < 0.001). أظهر نموذج الانحدار اللوجستي المطور تمييزًا معتدلاً إلى جيد (المساحة تحت منحنى التشغيل المستلم [AUC] = 0.743) ومعايرة مقبولة، على الرغم من بعض القيود المرتبطة بالبيانات الإدارية. في الختام، تسلط هذه الأبحاث الضوء على التباين في خطر إعادة الدخول عبر فئات DRG المختلفة وتؤكد على أهمية تعقيد المرضى، كما يتضح من طول فترة الإقامة، في التنبؤ بإعادة الدخول المبكر. تدعو النتائج إلى دمج مؤشرات إعادة الدخول المعدلة حسب المخاطر في أطر مراقبة الجودة ضمن أنظمة DRG، مع التأكيد أيضًا على ضرورة تحسين الرعاية الانتقالية والتنسيق على مستوى النظام لتحقيق التوازن بين الكفاءة ونتائج سلامة المرضى.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية معدلات إعادة دخول المستشفى خلال 30 يومًا كقياس حاسم لجودة الرعاية الصحية، واستمرارية الرعاية، وكفاءة النظام. مع تزايد اعتماد أنظمة الدفع المستقبلية القائمة على مجموعات التشخيص ذات الصلة (DRG) في الصين منذ عام 2019، هناك حاجة ملحة لفهم أنماط إعادة الدخول وعواملها المحددة في المستشفيات الثانوية. على الرغم من الأولوية الاستراتيجية لتقليل إعادة الدخول القابلة للتجنب بسبب ارتباطها بالنتائج السلبية والأعباء المالية، كانت الدراسات الحالية في الصين محدودة إلى حد كبير بالتحليلات الخاصة بالأمراض أو أحجام العينات الصغيرة، مما يفتقر إلى رؤى شاملة حول العوامل التي تؤثر على إعادة الدخول على المدى القصير عبر فئات التشخيص المختلفة.
لمعالجة هذه الفجوات، تستخدم الدراسة مجموعة بيانات كبيرة من مستشفى ثالثي في الصين لتطوير نموذج توقع قائم على DRG لإعادة الدخول خلال 30 يومًا. تشمل التحليلات مؤشرات ديموغرافية، سريرية، واستخدام الموارد، بهدف تحديد العوامل المستقلة المتنبئة بإعادة الدخول. يتم تقييم أداء النموذج بدقة باستخدام مقاييس مثل المساحة تحت منحنى التشغيل المستلم (AUC) وتقييمات المعايرة. أهداف الدراسة هي تقدير معدل إعادة الدخول العام خلال 30 يومًا، وتحديد العوامل المرتبطة بالمريض ومستوى DRG، وتقييم قدرات تصنيف المخاطر للنموذج. تهدف هذه الأبحاث إلى تعزيز فهم المحركات وراء إعادة الدخول في سياق إصلاح الدفع في الرعاية الصحية في الصين، مما يدعم في النهاية مبادرات تحسين الجودة ومراقبة الأداء في المستشفيات.
الطرق
توضح قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. تفصل معايير اختيار المشاركين، والتدخلات أو العلاجات المحددة المقدمة، والأدوات أو الأجهزة المستخدمة لجمع البيانات. يتم وصف التحليلات الإحصائية، بما في ذلك البرامج المستخدمة والاختبارات التي تم إجراؤها لتقييم دلالة النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم وصفًا لأي نماذج رياضية أو معادلات تم تطبيقها لتفسير البيانات، مما يضمن أن تكون المنهجية قابلة للتكرار. يتم التأكيد على صرامة الطرق للتحقق من النتائج ودعم الاستنتاجات المستخلصة في الدراسة.
النتائج
تبلغ الدراسة عن معدل إعادة دخول خلال 30 يومًا بنسبة 13.0%، مما يتماشى مع المعايير الدولية للسكان البالغين ذوي الحالات المختلطة ولكنه أقل من المعدلات الخاصة بالحالات للتشخيصات عالية المخاطر مثل فشل القلب والالتهاب الرئوي. تم تحديد العمر وطول فترة الإقامة كعوامل رئيسية متنبئة بإعادة الدخول المبكر، بما يتماشى مع النتائج من أنظمة الصحة المختلفة في منظمة التعاون والتنمية الاقتصادية (OECD)، حيث يواجه المرضى الأكبر سنًا الذين يعانون من تعدد الأمراض مخاطر متزايدة من التدهور السريري بعد الخروج. ومن الجدير بالذكر أن العلاقة بين طول فترة الإقامة وخطر إعادة الدخول معقدة؛ بينما ترتبط فترات الإقامة الأقصر بمعدلات إعادة دخول أعلى في المقارنات الخام، فإن فترات الإقامة الأطول ضمن مجموعات التشخيص ذات الصلة (DRGs) ترتبط بزيادة خطر إعادة الدخول، مما يشير إلى أن طول فترة الإقامة يعكس جوانب مختلفة من شدة الحالة السريرية على مستويات تحليلية مختلفة.
بالإضافة إلى ذلك، أظهرت تكلفة الاستشفاء ارتباطًا ذا دلالة إحصائية ولكنه غير ذي دلالة سريرية مع خطر إعادة الدخول، مما يشير إلى أنه يجب عدم اعتبار التكلفة كعامل مستقل ذو معنى بل كبديل محتمل لتعقيد سريري غير مقاس. تدعو النتائج إلى تحول في مراقبة الجودة تحت إصلاح DRG من مؤشرات تركز على التكلفة إلى نتائج تركز على المرضى، مثل إعادة الدخول القابلة للتجنب وسلامة الخروج. أدت إضافة تصنيفات DRG إلى تحسين ملاءمة النموذج وأبرزت تباينًا كبيرًا في خطر إعادة الدخول عبر الفئات السريرية، حيث أظهرت DRGs عالية المخاطر احتمالات معدلة أعلى بكثير لإعادة الدخول. يبدو أن هذا التباين في خطر إعادة الدخول هو سمة هيكلية للأنظمة الحديثة للمستشفيات، بدلاً من كونه نتيجة لممارسات محلية، كما يتضح من الأنماط المماثلة التي لوحظت في دول أخرى.
المناقشة
تستكشف هذه الدراسة معدلات إعادة الدخول خلال 30 يومًا في مستشفى ثالثي في شنغهاي، باستخدام مجموعة بيانات شاملة تضم 62,106 حالة دخول من يناير 2023 إلى ديسمبر 2024. وُجد أن معدل إعادة الدخول الإجمالي هو 13.0%، مع تباينات كبيرة عبر فئات مجموعات التشخيص ذات الصلة (DRG) المختلفة. تشير النتائج الرئيسية إلى أن فترات الإقامة الأطول كانت مرتبطة بمخاطر إعادة دخول أعلى (OR 1.016 لكل يوم إضافي، 95% CI 1.009-1.023، p < 0.001)، بينما كان لتكاليف المستشفى الإجمالية تأثير ذو دلالة إحصائية ولكن غير ذي دلالة سريرية على إعادة الدخول. ومن الجدير بالذكر أن الدراسة تؤكد أن الارتباطات الملاحظة لا ينبغي تفسيرها كآثار سببية لأنظمة الدفع القائمة على DRG على خطر إعادة الدخول. تسلط الأبحاث الضوء على الآثار المترتبة على هذه النتائج لإصلاحات DRG الجارية في الصين، مقترحة دمج مؤشرات إعادة الدخول في مراقبة الجودة والحاجة إلى نهج سياسات متميزة عبر فئات DRG. تدعو الدراسة إلى تحسين الرعاية الانتقالية وآليات ضبط المخاطر بشكل أفضل، حيث أن العديد من حالات إعادة الدخول تنشأ من الفشل في الرعاية بعد الحادة. تشمل اتجاهات البحث المستقبلية دمج بيانات سريرية أكثر تفصيلاً واستكشاف أساليب التعلم الآلي لمراقبة المخاطر في الوقت الحقيقي، بهدف تحسين نتائج المرضى وتنسيق الرعاية ضمن مشهد الرعاية الصحية المتطور في الصين.
القيود
تقدم هذه الدراسة نقاط قوة كبيرة، لا سيما استخدامها لمجموعة بيانات إدارية كبيرة تشمل أكثر من 62,000 حالة دخول من مستشفى ثالثي عالي الحجم. تتيح هذه المجموعة بيانات فحصًا تفصيليًا لأنماط إعادة الدخول عبر فئات مجموعات التشخيص ذات الصلة (DRG) المختلفة. استخدمت النهج التحليلية عدة مقاييس أداء—تمييز، معايرة، وتصنيف المخاطر—مقدمة تقييمًا شاملاً غير شائع في الأدبيات الحالية حول DRG في الصين. بالإضافة إلى ذلك، توفر الدراسة رؤى قيمة حول كيفية تأثير هياكل دفع DRG على اتخاذ القرارات السريرية من خلال مقارنة النتائج الخام والمعدلة لطول فترة الإقامة.
ومع ذلك، يجب الاعتراف بعدة قيود. يحد الاعتماد على البيانات الإدارية للمستشفى من تضمين تفاصيل سريرية حاسمة مثل درجات الترافق، والمؤشرات الفسيولوجية، وشدة المرض، مما قد يؤدي إلى تداخل متبقي ويحد من قدرة النموذج على التقاط تعقيد المرضى. علاوة على ذلك، حدد التحليل إعادة الدخول فقط ضمن نفس المستشفى، مما قد يؤدي إلى تقدير منخفض لمعدل إعادة الدخول الحقيقي، حيث تشير الأدلة الدولية إلى أن 10-30% من حالات إعادة الدخول غير المخطط لها تحدث في مرافق مختلفة. كما أن نقص بيانات العيادات الخارجية والصيدلة والرعاية الأولية يعيق تقييم عمليات الرعاية الانتقالية والامتثال بعد الخروج. بالإضافة إلى ذلك، كدراسة أحادية المركز أجريت في شنغهاي، قد لا تكون النتائج قابلة للتعميم على المقاطعات الأقل موارد أو المستشفيات ذات مستويات نضج DRG المتفاوتة. قد يؤدي عدم القدرة على التمييز بين إعادة الدخول المخطط لها وغير المخطط لها إلى إدخال انحياز تصاعدي في معدل إعادة الدخول المبلغ عنه، وعلى الرغم من أن البيانات المفقودة كانت ضئيلة (0.03%)، إلا أنه لا يمكن استبعاد التأثيرات المحتملة المتعلقة بممارسات التوثيق أو الشدة غير الملاحظة تمامًا.
DOI: https://doi.org/10.3389/fpubh.2026.1776878
PMID: https://pubmed.ncbi.nlm.nih.gov/41822939
Publication Date: 2026-02-25
Author(s): Wei Shao et al.
Primary Topic: Healthcare Policy and Management
Overview
This study investigates the predictors of 30-day hospital readmission within a Diagnosis-Related Groups (DRG)-based payment system in China, utilizing a large dataset from a tertiary hospital in Shanghai. A total of 62,085 inpatient episodes were analyzed, revealing a 30-day readmission rate of 13.0%. Key findings indicate that longer lengths of stay significantly increase the risk of readmission (odds ratio [OR] 1.016 per day, p < 0.001), while total hospital costs also correlated with readmission risk, albeit weakly (p = 0.003). Notably, age and discharge year were not significant predictors, but major DRG categories exhibited a strong association with readmission risk (global p < 0.001). The developed logistic regression model demonstrated moderate-to-good discrimination (area under the ROC curve [AUC] = 0.743) and acceptable calibration, despite some limitations inherent to administrative data. In conclusion, this research highlights the variability in readmission risk across different DRG categories and underscores the importance of patient complexity, as indicated by length of stay, in predicting early readmissions. The findings advocate for the integration of risk-adjusted readmission indicators into quality monitoring frameworks within DRG systems, while also stressing the necessity for improved transitional care and system-level coordination to balance efficiency with patient safety outcomes.
Introduction
The introduction of this research paper highlights the significance of 30-day hospital readmission rates as a critical measure of healthcare quality, continuity of care, and system efficiency. With the increasing adoption of Diagnosis-Related Group (DRG)-based prospective payment systems in China since 2019, there is a pressing need to understand readmission patterns and their determinants in tertiary hospitals. Despite the strategic priority to reduce preventable readmissions due to their association with adverse outcomes and financial burdens, existing studies in China have largely been limited to disease-specific analyses or small sample sizes, lacking comprehensive insights into the factors influencing short-term readmissions across various diagnostic categories.
To address these gaps, the study utilizes a large dataset from a tertiary hospital in China to develop a DRG-based prediction model for 30-day readmission. The analysis includes demographic, clinical, and resource-use indicators, aiming to identify independent predictors of readmission. The model’s performance is rigorously evaluated using metrics such as the area under the receiver operating characteristic curve (AUC) and calibration assessments. The study’s objectives are to estimate the overall 30-day readmission rate, identify associated patient and DRG-level factors, and assess the model’s risk stratification capabilities. This research aims to enhance understanding of readmission drivers within the context of China’s healthcare payment reform, ultimately supporting quality improvement initiatives and performance monitoring in hospitals.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the specific interventions or treatments administered, and the tools or instruments used for data collection. Statistical analyses are described, including the software utilized and the tests performed to evaluate the significance of the results.
Additionally, the section may include a description of any mathematical models or equations applied to interpret the data, ensuring that the methodology is replicable. The rigor of the methods is emphasized to validate the findings and support the conclusions drawn in the study.
Results
The study reports a 30-day readmission rate of 13.0%, aligning with international benchmarks for mixed-condition adult populations but lower than condition-specific rates for high-risk diagnoses such as heart failure and pneumonia. Age and length of stay were identified as primary predictors of early readmission, consistent with findings from various OECD health systems, where older patients with multimorbidity face increased risks of clinical deterioration post-discharge. Notably, the relationship between length of stay and readmission risk is complex; while shorter stays correlate with higher readmission rates in crude comparisons, longer stays within specific Diagnosis-Related Groups (DRGs) are associated with increased readmission risk, suggesting that length of stay reflects different aspects of clinical severity at varying analytical levels.
Additionally, hospitalization cost exhibited a statistically significant yet clinically negligible association with readmission risk, indicating that cost should not be viewed as a meaningful independent driver but rather as a potential proxy for unmeasured clinical complexity. The findings advocate for a shift in quality monitoring under DRG reform from cost-centered indicators to patient-centered outcomes, such as avoidable readmissions and discharge safety. The inclusion of DRG groupings improved model fit and highlighted significant heterogeneity in readmission risk across clinical categories, with high-risk DRGs showing notably higher adjusted odds of readmission. This variability in readmission risk appears to be a structural characteristic of modern hospital systems, rather than a result of local practice, as evidenced by similar patterns observed in other countries.
Discussion
This study investigates the 30-day readmission rates in a tertiary hospital in Shanghai, utilizing a comprehensive dataset of 62,106 inpatient episodes from January 2023 to December 2024. The overall readmission rate was found to be 13.0%, with significant variations across different Diagnosis-Related Group (DRG) categories. Key findings indicate that longer lengths of stay were associated with higher readmission risks (OR 1.016 per additional day, 95% CI 1.009-1.023, p < 0.001), while total hospital costs had a statistically significant but clinically negligible effect on readmissions. Notably, the study emphasizes that the observed associations should not be interpreted as causal effects of DRG-based payment systems on readmission risk. The research highlights the implications of these findings for China's ongoing DRG reforms, suggesting the integration of readmission indicators into quality monitoring and the need for differentiated policy approaches across DRG categories. The study advocates for enhanced transitional care and better risk adjustment mechanisms, as many readmissions stem from failures in post-acute care. Future research directions include the incorporation of more granular clinical data and the exploration of machine-learning approaches for real-time risk monitoring, aiming to improve patient outcomes and care coordination within the evolving healthcare landscape in China.
Limitations
This study presents significant strengths, notably its utilization of a large administrative dataset encompassing over 62,000 inpatient encounters from a high-volume tertiary hospital. This dataset allows for a detailed examination of readmission patterns across various Diagnosis-Related Group (DRG) categories. The analytic approach employed multiple performance metrics—discrimination, calibration, and risk stratification—offering a comprehensive evaluation that is uncommon in existing Chinese DRG literature. Additionally, the study provides valuable insights into how DRG payment structures influence clinical decision-making by comparing crude and adjusted findings for length of stay.
However, several limitations must be acknowledged. The reliance on hospital administrative data restricts the inclusion of critical clinical details such as comorbidity scores, physiological indicators, and disease severity, which may lead to residual confounding and limit the model’s ability to capture patient complexity. Furthermore, the analysis only identified readmissions within the same hospital, potentially underestimating the true readmission rate, as international evidence suggests that 10-30% of unplanned readmissions occur at different facilities. The lack of outpatient, pharmacy, and primary-care data also hinders the assessment of transitional care processes and post-discharge adherence. Additionally, as a single-center study conducted in Shanghai, the findings may not be generalizable to less-resourced provinces or hospitals with varying DRG maturity levels. The inability to distinguish between planned and unplanned readmissions may introduce an upward bias in the reported readmission rate, and while the missing data was minimal (0.03%), potential selection effects related to documentation practices or unobserved severity cannot be entirely ruled out.