High rate of missing vital signs data at triage in a paediatric emergency department
Notice bibliographique
Résumé
BACKGROUND: Vital signs measurement is considered standard practice in paediatric emergency department triage assessment, but studies have shown variable incidence of missing data. OBJECTIVES: To evaluate the rate of missing data for vital signs at triage and to determine clinical and environmental predictive factors. METHODS: A retrospective cohort design was used to study a database of consecutive patients registered at a tertiary paediatric emergency department during randomly chosen shifts. Demographic and clinical data were collected. Univariate and multivariate logistic regression analyses were performed to evaluate the determinants of missing data for body temperature, heart rate, respiratory rate, blood pressure and pulse oximetry. RESULTS: There were 2081 patients triaged during the study periods. On multivariate logistic regression analysis, triage level (from 1 = priority to 4 = nonurgent) was an independent predictor of missing data for heart rate, respiratory rate, blood pressure and pulse oximetry (OR 1.48 to 2.05). Patients visiting the emergency department during the day shift (OR 1.08 to 4.72) and the evening shift (OR 1.38 to 9.24) had a higher rate of missing data than those visiting during the night shift. A decreased level of consciousness, an immunocompromised state and referral by a physician did not meet statistical significance as predictive factors. CONCLUSIONS: There was a high rate of missing data for vital signs. Factors related to patients' clinical characteristics, such as acuity of triage level, were associated with a higher rate of vital signs documentation at triage. An environmental factor, shift of presentation, was also independently associated with a higher rate.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».