Computer-aided support improves early and adequate delivery of nutrients in the ICU.
Notice bibliographique
Résumé
BACKGROUND: In 2007 a national guideline on perioperative nutrition was issued in the Netherlands. As external indicator for adequacy of nutritional therapy, the percentage of malnourished patients who reach at least 1.2 grams of protein on day 4 after admission was chosen by the Netherlands Health Care Inspectorate. METHODS: We developed an algorithm that allows users to ask for advice on which artificial nutritional formula to prescribe and at which rate, assuring provision of adequate amounts of both protein and energy. Feedback on nutritional therapy is given to the users on a daily basis, and to the management per quarter. Both the advice and the feedback have been integrated in our data management system. The advice module is also available on-line. RESULTS: In the baseline situation over the first four quarters (2006) an average of 30.2% of patients who had a full day 4 in our unit reached the protein indicator. In the last six quarters post-implementation, the average percentage reached was 56.5% with values consistently over 50%. Changes were statistically significant at third quarter of 2007 (p<0.05) and thereafter (p<0.001). Results for day 7 of admission were unaffected, which indicates that targets were reached earlier during hospital stay. CONCLUSION: Our study shows that integration of nutritional advice and automatically generated feedback to users in a data management system consistently improves delivery of (early) nutrition.
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 | 0,001 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».