A comparison of surgical delays in directly admitted versus transferred patients with hip fractures: Opportunities for improvement?
Notice bibliographique
Résumé
BACKGROUND: The increasing incidence of hip fractures in our aging population challenges orthopedic surgeons and hospital administrators to effectively care for these patients. Many patients present to regional hospitals and are transferred to tertiary care centres for surgical management, resulting in long delays to surgery. Providing timely care may improve outcomes, as delay carries an increased risk of morbidity and mortality. METHODS: We retrospectively reviewed the cases of all patients with hip fractures treated in a single Level 1 trauma centre in Canada between 2005 and 2012. We compared quality indicators and outcomes between patients transferred from a peripheral hospital and those directly admitted to the trauma centre. RESULTS: Of the 1191 patients retrospectively reviewed, 890 met our inclusion criteria: 175 who were transferred and 715 admitted directly to the trauma centre. Transfer patients' median delay from admission to operation was 93 hours, whereas nontransfer patients waited 44 hours (p < 0.001). The delay predominantly occurred before transfer, as the patients had to wait for a bed to become available at the trauma centre. The median length of stay in hospital was 20 days for transfer patients compared with 13 days for nontransfer patients (p < 0.001). Regional policy changes enacted in 2011 decreased the median transfer delay from regional hospital to tertiary care centre from 47 to 27 hours (p = 0.005). CONCLUSION: Policy changes can have a significant impact on patient care. Prioritizing patients and expediting transfer will decrease overall mortality, reduce hospital stay and reduce the cost of hip fracture care.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».