MétaCan
Menu
Retour à la cohorte
Enregistrement W2080526315 · doi:10.1097/ccm.0b013e3182982b03

Knowledge Translation Interventions for Critically Ill Patients

2013· review· en· W2080526315 sur OpenAlexafffund
Tasnim Sinuff, John Muscedere, Neill K. J. Adhikari, Henry T. Stelfox, Peter Dodek, Daren K. Heyland, Gordon D. Rubenfeld, Ruxandra Pinto, Venika Manoharan, Jan Currie, Naomi E. Cahill, Jan O. Friedrich, André Carlos Kajdacsy-Balla Amaral, Dominique Piquette, Damon C. Scales, Sonny Dhanani, Allan Garland

Notice bibliographique

RevueCritical Care Medicine · 2013
Typereview
Langueen
DomaineMedicine
ThématiqueNosocomial Infections in ICU
Établissements canadiensChildren's Hospital of Eastern OntarioWinnipeg Regional Health AuthorityMcMaster UniversitySt. Michael's HospitalSunnybrook Health Science CentreCentre for Advancing Health OutcomesKingston General HospitalUniversity of CalgaryProvidence Health CareKingston Health Sciences CentreAlberta Health ServicesQueen's UniversityHealth Sciences CentreUniversity of ManitobaClinical Evaluation Research UnitUniversity of Toronto
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineObservational studyRandomized controlled trialPsychological interventionKnowledge translationData extractionMEDLINEIntensive careIntensive care medicineIntervention (counseling)Clinical trialNursingSurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: We systematically reviewed ICU-based knowledge translation studies to assess the impact of knowledge translation interventions on processes and outcomes of care. DATA SOURCES: We searched electronic databases (to July, 2010) without language restrictions and hand-searched reference lists of relevant studies and reviews. STUDY SELECTION: Two reviewers independently identified randomized controlled trials and observational studies comparing any ICU-based knowledge translation intervention (e.g., protocols, guidelines, and audit and feedback) to management without a knowledge translation intervention. We focused on clinical topics that were addressed in greater than or equal to five studies. DATA EXTRACTION: Pairs of reviewers abstracted data on the clinical topic, knowledge translation intervention(s), process of care measures, and patient outcomes. For each individual or combination of knowledge translation intervention(s) addressed in greater than or equal to three studies, we summarized each study using median risk ratio for dichotomous and standardized mean difference for continuous process measures. We used random-effects models. Anticipating a small number of randomized controlled trials, our primary meta-analyses included randomized controlled trials and observational studies. In separate sensitivity analyses, we excluded randomized controlled trials and collapsed protocols, guidelines, and bundles into one category of intervention. We conducted meta-analyses for clinical outcomes (ICU and hospital mortality, ventilator-associated pneumonia, duration of mechanical ventilation, and ICU length of stay) related to interventions that were associated with improvements in processes of care. DATA SYNTHESIS: From 11,742 publications, we included 119 investigations (seven randomized controlled trials, 112 observational studies) on nine clinical topics. Interventions that included protocols with or without education improved continuous process measures (seven observational studies and one randomized controlled trial; standardized mean difference [95% CI]: 0.26 [0.1, 0.42]; p = 0.001 and four observational studies and one randomized controlled trial; 0.83 [0.37, 1.29]; p = 0.0004, respectively). Heterogeneity among studies within topics ranged from low to extreme. The exclusion of randomized controlled trials did not change our results. Single-intervention and lower-quality studies had higher standardized mean differences compared to multiple-intervention and higher-quality studies (p = 0.013 and 0.016, respectively). There were no associated improvements in clinical outcomes. CONCLUSIONS: Knowledge translation interventions in the ICU that include protocols with or without education are associated with the greatest improvements in processes of critical 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,021
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,892
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,021
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,215
Tête enseignante GPT0,499
Écart entre enseignants0,285 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations80
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCritical Care MedicineMême sujetNosocomial Infections in ICUTravaux en français237 207