Monitoring Parenteral Nutrition in Hospitalized Patients
Notice bibliographique
Résumé
BACKGROUND: Monitoring hospitalized patients receiving parenteral nutrition requires regular bloodwork. However, blood specimens, if not drawn appropriately, may be contaminated by parenteral nutrition, leading to spurious results and unnecessary medical interventions. The objective was to determine, in a large academic center, the frequency of spurious bloodwork, unnecessary medical interventions, and contributing factors. METHODS: This was a 1-year prospective cohort study monitoring hospitalized patients receiving parenteral nutrition and their bloodwork. Sudden unexplained changes in serum levels of glucose, potassium, and sodium were identified. Subsequent medical interventions were tracked. Factors affecting blood collection, such as technique, shifts, nursing units, nursing, and patient demography, were assessed and compared with those of a control group. RESULTS: Out of 201 patients, 34 had 63 incidents of spurious bloodwork. This led to 23 medical interventions. The most frequent problem was the failure to clamp the parenteral nutrition infusion prior to blood collection or too short a time between clamping and drawing. There was an increased occurrence of spurious bloodwork drawn by nurses with < 10 years of experience due to failure in following blood collection policy. Cost of spurious bloodwork and subsequent interventions for 63 incidents was approximately $3480 (CAD) per year. This excluded physician time. CONCLUSIONS: Spurious bloodwork was due to parenteral nutrition contamination by incorrect blood draw techniques. This led to a policy amendment to incorporate a "wait time" between stopping the parenteral nutrition infusion and drawing blood and to an institution-wide nursing reeducation.
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 | 0,007 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».