Flight Diversions Due to Onboard Medical Emergencies on an International Commercial Airline
Notice bibliographique
Résumé
INTRODUCTION: Each year, close to 2 billion passengers travel on commercial airlines. In-flight medical events result in suboptimal care due to a variety of factors. Flight diversions due to medical emergencies carry a significant financial and legal cost. The purpose of this study was to determine the causes of in-flight medical diversions from Air Canada. METHODS: This was a review of in-flight medical emergencies from 2004-2008. Both telemedicine and Air Canada databases were crossreferenced to capture all incidents. Presenting complaints were categorized by systems. Descriptive statistics were used to analyze the data. RESULTS: Over the 5 yr, there were 220 diversions, of which 91 (41.4%) of the decisions were made by pilots or onboard medical personnel. During this period there were 5386 telemedicine contacts with ground support providers, who on average recommended 2.4 diversions per 100 calls. The rate for diversions almost doubled from 2006 to 2007, with a sharp drop in telemedicine contacts during the same period. The four most common categories resulting in diversions were cardiac (58 diversions, 26.4%), neurological (43 diversions, 19.5%), gastrointestinal (GI) (25 diversions, 11.4%), and syncope (22 diversions, 10.0%). Only 6.8% of all diversions were due to cardiac arrest. DISCUSSION: Medical conditions most commonly leading to diversions were cardiac, neurological, gastrointestinal, and syncope. Our study showed that a decrease in telemedicine contact during this period was accompanied by an increase in diversions, while increased pre-screening of passengers did not prove effective in decreasing diversion rates.
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) | 0,006 | 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 ».