Evaluating the effect of emergency department crowding on triage destination
Notice bibliographique
Résumé
BACKGROUND: Emergency Department (ED) crowding has been studied for the last 20 years, yet many questions remain about its impact on patient care. In this study, we aimed to determine if ED crowding influenced patient triage destination and intensity of investigation, as well as rates of unscheduled returns to the ED. We focused on patients presenting with chest pain or shortness of breath, triaged as high acuity, and who were subsequently discharged home. METHODS: This pilot study was a health records review of 500 patients presenting to two urban tertiary care EDs with chest pain or shortness of breath, triaged as high acuity and subsequently discharged home. Data extracted included triage time, date, treatment area, time to physician initial assessment, investigations ordered, disposition, and return ED visits within 14 days. We defined ED crowding as ED occupancy greater than 1.5. Data were analyzed using descriptive statistics and the χ(2) and Fisher exact tests. RESULTS: Over half of the patients, 260/500 (52.0%) presented during conditions of ED crowding. More patients were triaged to the non-monitored area of the ED during ED crowding (65/260 (25.0%) vs. 39/240 (16.3%) when not crowded, P = 0.02). During ED crowding, mean time to physician initial assessment was 132.0 minutes in the non-monitored area vs. 99.1 minutes in the monitored area, P <0.0001. When the ED was not crowded, mean time to physician initial assessment was 122.3 minutes in the non-monitored area vs. 67 minutes in the monitored area, P = 0.0003. Patients did not return to the ED more often when triaged during ED crowding: 24/260 (9.3%) vs. 29/240 (12.1%) when ED was not crowded (P = 0.31). Overall, when triaged to the non-monitored area of the ED, 44/396 (11.1%) patients returned, whereas in the monitored area 9/104 (8.7%) patients returned, P = 0.46. CONCLUSIONS: ED crowding conditions appeared to influence triage destination in our ED leading to longer wait times for high acuity patients. This did not appear to lead to higher rates of return ED visits amongst discharged patients in this cohort. Further research is needed to determine whether these delays lead to adverse patient outcomes.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,002 | 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 ».