Initial Management of Trauma by a Trauma Team: Effect on Timeliness of Care in a Teaching Hospital
Notice bibliographique
Résumé
The objective of this study was to determine if timeliness of care would improve after implementation of the team approach in trauma management in a single teaching hospital. To make this determination, we used a before-and-after retrospective cohort series for a 550-bed teaching and tertiary referral hospital that was not a level 1 trauma center. We included all patients who presented to the Emergency Department and who were admitted to St. Paul's Hospital because of trauma during 2 baseline months (May and November 1987; n = 111) and 2 follow-up months (May and November 1990; n = 142). In 1988, a formal trauma team was developed to coordinate the care of trauma patients who were seen in the Emergency Department. Indications for calling the trauma team were based on the criteria of the American College of Surgeons for triage to a trauma center. We calculated elapsed time from assessment in the Emergency Department to arrival of the trauma surgeon, discharge from the Emergency Department, and arrival of the patient in the operating room (for urgent or emergent surgery). We also determined the Revised Trauma Score, the Injury Severity Score (1985 version), the crude mortality ratio, and the Z statistic (population outcome comparison). After implementation of the trauma team, median elapsed time from initial nursing assessment in the Emergency Department to arrival in the operating Room for blunt trauma patients decreased from 11.33 to 4.82 hours (P = .05), but there were no significant differences in any other measures of timeliness, crude mortality, or adjusted mortality. We conclude that implementation of a trauma team in a teaching hospital is associated with a minimal effect on timeliness of care for admitted trauma patients.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».