The Impact of Implementation of an ICU Consult Service on Hospital-Wide Outcomes and ICU-Specific Outcomes
Notice bibliographique
Résumé
BACKGROUND: Rapid response teams (RRTs) were developed to promote assessment of and early intervention for clinically deteriorating hospitalized patients. Although the ideal composition of RRTs is not known, their implementation does require significant resources. OBJECTIVE: To test the effectiveness of a dedicated daytime/weekday intensive care unit (ICU) consult service without formal training of ward teams. METHODS: Pre- and postintervention study with weekends/nights during implementation period acting as a concurrent control. SETTING: An adult tertiary care university center in Montreal without an RRT. INTERVENTION: A daytime/weekday ICU consult service with a dedicated intensivist. RESULTS: Total hospital mortality rate did not differ between the control and the implementation period (6.65% vs 6.60%; P = .84). The hospital code blue rates also did not differ (1.21/1000 vs 1.14/1000 patient days; P = .58). In contrast, 30-day mortality of patients admitted to the ICU following an ICU consult decreased (39% vs 24% P = .01). Multivariate analysis confirmed this effect on 30-day mortality (odds ratio for implementation period: 0.53 [95% confidence interval: 0.33-0.85] P = .009). The 14-day ICU readmission rate was reduced with the intervention (5.1% vs 4.1%; P < .001). The effect on 30-day mortality and ICU readmissions were only present during daytime/weekdays. CONCLUSION: Implementation of an ICU consult service without any formal afferent limb training was associated with decreased mortality and 14-day readmission rates of patients admitted to the ICU. In contrast, hospital-wide mortality and code blue rates were unaffected.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».