Diagnostic Accuracy of Neurological Problems in the Emergency Department
Notice bibliographique
Résumé
BACKGROUND: Previous studies describe significant rates of misdiagnosis of stroke, seizure and other neurological problems, but there are few studies examining diagnostic accuracy of all emergency referrals to a neurology service. This information could be useful in focusing the neurological education of physicians who assess and refer patients with neurological complaints in emergency departments. METHODS: All neurological consultations in the emergency department at a tertiary-care teaching hospital were recorded for six months. The initial diagnosis of the requesting physician was recorded for each patient. This was compared to the initial diagnosis of the consulting neurologist and to the final diagnosis, as determined by retrospective chart review. RESULTS: Over a six-month period, 493 neurological consultations were requested. The initial diagnosis of the requesting physician agreed with the final diagnosis in 60.4% (298/493) of cases, and disagreed or was uncertain in 35.7% of cases (19.1% and 16.6% respectively). In 3.9% of cases, the initial diagnosis of both the referring physician and the neurologist disagreed with the final diagnosis. Common misdiagnoses included neurocardiogenic syncope, peripheral vertigo, primary headache and psychogenic syndromes. Often, these were initially diagnosed as stroke or seizure. CONCLUSIONS: Our data indicate that misdiagnosis or diagnostic uncertainty occurred in over one-third of all neurological consultations in the emergency department setting. Benign neurological conditions, such as migraine, syncope and peripheral vertigo are frequently mislabeled as seizure or stroke. Educational strategies that emphasize emergent evaluation of these common conditions could improve diagnostic accuracy, and may result in better patient 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 | 0,005 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».