International Perspectives on Emergency Department Crowding
Notice bibliographique
Résumé
The maturation of emergency medicine (EM) as a specialty has coincided with dramatic increases in emergency department (ED) visit rates, both in the United States and around the world. ED crowding has become a public health problem where periodic supply and demand mismatches in ED and hospital resources cause long waiting times and delays in critical treatments. ED crowding has been associated with several negative clinical outcomes, including higher complication rates and mortality. This article describes emergency care systems and the extent of crowding across 15 countries outside of the United States: Australia, Canada, Denmark, Finland, France, Germany, Hong Kong, India, Iran, Italy, The Netherlands, Saudi Arabia, Catalonia (Spain), Sweden, and the United Kingdom. The authors are local emergency care leaders with knowledge of emergency care in their particular countries. Where available, data are provided about visit patterns in each country; however, for many of these countries, no national data are available on ED visits rates or crowding. For most of the countries included, there is both objective evidence of increases in ED visit rates and ED crowding and also subjective assessments of trends toward higher crowding in the ED. ED crowding appears to be worsening in many countries despite the presence of universal health coverage. Scandinavian countries with robust systems to manage acute care outside the ED do not report crowding is a major problem. The main cause for crowding identified by many authors is the boarding of admitted patients, similar to the United States. Many hospitals in these countries have implemented operational interventions to mitigate crowding in the ED, and some countries have imposed strict limits on ED length of stay (LOS), while others have no clear plan to mitigate crowding. An understanding of the causes and potential solutions implemented in these countries can provide a lens into how to mitigate ED crowding in the United States through health policy interventions and hospital operational changes.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
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 ».