Emergency Triage: Comparing a Novel Computer Triage Program with Standard Triage
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: Emergency department (ED) triage prioritizes patients based on urgency of care; however, little previous testing of triage tools in a live ED environment has been performed. OBJECTIVES: To determine the agreement between a computer decision tool and memory-based triage. METHODS: Consecutive patients presenting to a large, urban, tertiary care ED were assessed in the usual fashion and by a blinded study nurse using a computerized decision support tool. Triage score distribution and agreement between the two triage methods were reported. A random subset of patients was selected and reviewed by a blinded expert panel as a consensus standard. RESULTS: Over five weeks, 722 ED patients were assessed; complete data were available from 693 (96%) score pairs. Agreement between the two methods was poor (kappa = 0.202; 95% confidence interval [95% CI] = 0.150 to 0.254); however, agreement improved when using weighted kappa (0.360; 95% CI = 0.305 to 0.415) or "within one" level kappa (0.732; 95% CI = 0.644 to 0.821). When compared with the expert panel, the nurse triage scores showed lower agreement (0.263; 95% CI = 0.133 to 0.394) than the tool (kappa = 0.426; 95% CI = 0.289 to 0.564). There was a significant down-triaging of patients when patients were triaged without the computerized tool. Admission rates also differed between the triage systems. CONCLUSIONS: There was significant discrepancy by nurses using memory-based triage when compared with a computer tool. Triage decision support tools can mitigate this drift, which has administrative implications for EDs.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 découle