Specialized fast track: a sustainable model to improve emergency department patient flow
Notice bibliographique
Résumé
Objective: Emergency department (ED) overcrowding is a hospital-wide problem that demands a whole-hospital solution. We developed and implemented a fast track model for streaming ED patients with low-acuity illness or injury to specialized care areas (gynecology-obstetrics, orthopedics-trauma, pediatrics, and primary care) staffed by existing specialist resources with access to general ED services. The study aim was to determine whether streaming of ED visits into specialized fast track areas increased operational efficiency and improved patient flow in a mixed adult and pediatric ED without incurring extra costs.Methods: We retrospectively reviewed the ED discharge records of patients who were mainstreamed or fast tracked during the 3-year period from 1 January 2010 through 31 December 2012. ED visits were identified according to a five-level triage scheme; performance indicators were compared for: wait time, length of stay, leave before being seen and revisit rates.Results: A reduction in wait time, length of stay, and leave before being seen rate was seen with fast track streaming (p < .01). These improvements were achieved without additional medical and nurse staffing.Conclusions: Specialized fast track streaming helped us meet patients’ care needs and contain costs. Lower-acuity patients were seen quickly by a specialist and safely discharged or admitted to the hospital without diverting resources from patients with high-acuity illness or injury. Involvement of all stakeholders in seeking a sustainable solution to ED crowding as a hospital-wide problem was key to enhancing cooperation between the ED and the hospital units.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».