Markers of Overcrowding in a Pediatric Emergency Department
Notice bibliographique
Résumé
OBJECTIVES: The objective of this study was to identify markers of overcrowding in pediatric emergency departments (PEDs) according to expert opinion and then to use statistical methods to further explore the underlying construct of overcrowding. METHODS: A cross-sectional survey of all PED directors (n = 12) and pediatric emergency medicine fellowship program directors (n = 10) across Canada was conducted to elicit expert opinion on relevant markers of emergency department (ED) crowding. The list of markers was reduced to those specific to the ED for which data could be extracted from one tertiary care PED from an existing computerized patient tracking system. Data representing 2,190 consecutive shifts and 138,361 patient visits were collected between April 2005 and March 2007. Common factor analysis (CFA) was used to determine the underlying factors that best represented overcrowding as determined by markers identified by experts in pediatric emergency medicine RESULTS: The main markers of overcrowding identified by the survey included measures of patient volume (25%), ED operational processes (55%), and delays in transferring patients to inpatient beds (13%). Data collected on 41 markers were retained for the CFA. The results of the CFA indicated that the largest portion of variation in the data (48%) was accounted for by markers describing patient volumes and flow through the ED. Measures of admission delays accounted for a smaller proportion of variability (9%). CONCLUSIONS: The results suggest that for this tertiary PED, markers of ED operational processes and patient volume may be more relevant for determination of overcrowding than markers reflecting delays in transferring patients to inpatient beds. This study provides a foundation for further research on markers of overcrowding specific to the pediatric setting.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».