MétaCan
Menu
Retour à la cohorte
Enregistrement W2064130007 · doi:10.1111/acem.12213

Patient Choice in the Selection of Hospitals by 9-1-1 Emergency Medical Services Providers in Trauma Systems

2013· article· en· W2064130007 sur OpenAlexaboutno aff
Craig D. Newgard, N. Clay Mann, Renee Y. Hsia, Eileen M. Bulger, Oommen John, Kristan Staudenmayer, Jason S. Haukoos, Ritu Sahni, Nathan Kuppermann

Notice bibliographique

RevueAcademic Emergency Medicine · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueTrauma and Emergency Care Studies
Établissements canadiensnon disponible
Organismes subventionnairesNational Center for Advancing Translational SciencesNational Center for Research ResourcesOregon Clinical and Translational Research Institute
Mots-clésMedicineSpecialtyTrauma centerTriageMedical emergencyEmergency medicineInjury Severity ScoreEmergency medical servicesEmergency departmentRetrospective cohort studyDescriptive statisticsMedical recordPoison controlInjury preventionFamily medicineSurgeryNursing

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: Reasons for undertriage (transporting seriously injured patients to nontrauma centers) and the apparent lack of benefit of trauma centers among older adults remain unclear; understanding emergency medical services (EMS) provider reasons for selecting certain hospitals in trauma systems may provide insight to these issues. In this study, the authors evaluated reasons cited by EMS providers for selecting specific hospital destinations for injured patients, stratified by age, injury severity, field triage status, and prognosis. METHODS: This was a retrospective cohort study of injured children and adults transported by 61 EMS agencies to 93 hospitals (trauma and nontrauma centers) in five regions of the western United States from 2006 through 2008. Hospital records were probabilistically linked to EMS records using trauma registries, state discharge data, and emergency department data. The seven standardized reasons cited by EMS providers for selecting hospital destinations included closest facility, ambulance diversion, physician choice, law enforcement choice, patient or family choice, specialty resource center, and other. "Serious injury" was defined as an Injury Severity Score (ISS) ≥ 16, and unadjusted in-hospital mortality was considered as a marker of prognosis. All analyses were stratified by age in 10-year increments, and descriptive statistics were used to characterize the findings. RESULTS: A total of 176,981 injured patients were evaluated and transported by EMS over the 3-year period, of whom 5,752 (3.3%) had ISS ≥ 16 and 2,773 (1.6%) died. Patient or family choice (50.6%), closest facility (20.7%), and specialty resource center (15.2%) were the most common reasons indicated by EMS providers for selecting destination hospitals; these frequencies varied substantially by patient age. The frequency of patient or family choice increased with increasing age, from 36.4% among 21- to 30-year-olds to 75.8% among those older than 90 years. This trend paralleled undertriage rates and persisted when restricted to patients with serious injuries. Older patients with the worst prognoses were preferentially transported to major trauma centers, a finding that was not explained by field triage protocols. CONCLUSIONS: Emergency medical services transport patterns among injured patients are not random, even after accounting for field triage protocols. The selection of hospitals appears to be heavily influenced by patient or family choice, which increases with patient age and involves inherent differences in patient prognosis.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,313
Écart entre enseignants0,295 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations65
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademic Emergency MedicineMême sujetTrauma and Emergency Care StudiesTravaux en français237 207