Use of an electronic information system to identify adverse events resulting in an emergency department visit
Notice bibliographique
Résumé
OBJECTIVE: There is limited information about the nature of adverse events (AEs) that necessitate an emergency department (ED) visit. The objective of the current study was to demonstrate the feasibility of using routinely collected electronic data to identify AEs in patients presenting to EDs in one Canadian health authority. METHODS: This retrospective cross-sectional study occurred in EDs in two community hospitals, an outpatient community health centre and a tertiary care facility in the Capital District Health Authority in Nova Scotia, Canada between 1 November 2007 and 31 October 2008. The primary outcome was identification of an AE as the main reason for the ED visit. AEs were identified from electronic diagnostic data using previously validated screening criteria. RESULTS: There were 142,433 patient visits to the four EDs during the study period. A total of 1870 (1.3%) AEs were identified using the screening criteria. This included 1133 (0.8%) procedure-related, 673 (0.5%) drug-related, 63 (0.04%) device-related and one radiation-related AE. The AEs identified using this method were most likely the manifestation of treatment decisions made prior to the ED visit and/or related to care in other settings (eg, primary or long-term care, acute hospital care) including previous ED visits. INTERPRETATION: Although the use of electronic data significantly underestimates AEs treated in the ED, for relatively low cost, it provides new information on AEs arising from a variety of care settings that may otherwise not be captured. Significant and clinically important differences in healthcare utilisation underscore the value in identifying these AEs.
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 | 0,000 |
| 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 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».