How do emergency physicians make discharge decisions?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: One of the most important decisions that emergency department (ED) physicians make is patient disposition (admission vs discharge). OBJECTIVES: To determine how ED physicians perceive their discharge decisions for high-acuity patients and the impact on adverse events (adverse outcomes associated with healthcare management). METHODS: We conducted a real-time survey of staff ED physicians discharging consecutive patients from high-acuity areas of a tertiary care ED. We asked open-ended questions about rationale for discharge decisions and use of clinical judgement versus evidence. We searched for 30-day flagged outcomes (deaths, unscheduled admissions, ED or clinic visits). Three trained blinded ED physicians independently reviewed these for adverse events and preventability. We resolved disagreements by consensus. We used descriptive statistics and 95% CIs. RESULTS: We interviewed 88.9% (32/36) of possible ED physicians for 366 discharge decisions. Respondents were mostly male (71.9%) and experienced (53.1% >10 years). ED physicians stated they used clinical judgement in 87.6% of decisions and evidence in 12.4%. There were 69 flagged outcomes (18.8%) and 10 adverse events (2.7%, 95% CI 1.1 to 4.5%). All adverse events were preventable (1 death, 4 admissions, 5 return ED visits). No significant associations occurred between decision-making rationale and adverse events. CONCLUSIONS: Experienced ED physicians most often relied on clinical acumen rather than evidence-based guidelines when discharging patients from ED high-acuity areas. Neither approach was associated with adverse events. In order to improve the safety of discharge decisions, further research should focus on decision support solutions and feedback interventions.
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.
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 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,142 | 0,001 |
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 découle