Knowledge translation in critical care: Factors associated with prescription of commonly recommended best practices for critically ill patients*
Notice bibliographique
Résumé
OBJECTIVE: To describe prescription rates of commonly recommended best practices (clinical interventions with a strong base of evidence supporting their implementation) for critically ill patients and determine factors associated with increased rates of prescription. DESIGN: A retrospective observational study. SETTING: A university-affiliated medical-surgical-trauma intensive care unit over a 1-yr period. PATIENTS: One hundred randomly selected critically ill patients. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: Among the best practices studied, there was great variability in the proportion of patients eligible (median 36.5%, range 10% to 100%) and the proportion without contraindication (32.5%, range 10% to 86%) for each practice. The median rate of prescription of best practices for eligible patients was 56.5%, with a range from 8% to 95%. There was greater prescription of best practices when standard admission orders included an option to prescribe them (p = .048). Among those practices with standard admission orders, there was greatest prescription for practices additionally having a specialty consultation service (p = .004). There was an inverse association between severity of illness and prescription of best practices (p = .001): Sicker patients were less likely to be prescribed best practices. CONCLUSIONS: There may be substantial variability in the acceptance and prescription of commonly recommended best practices for critically ill patients. Standard order sets and focused specialty consultation may improve knowledge translation and prescription of best practice.
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 | 0,044 |
| 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 ».