Real-time automated paging and decision support for critical laboratory abnormalities
Notice bibliographique
Résumé
BACKGROUND: For patients with critical laboratory abnormalities, timely clinical alerts with decision support could improve management and reduce adverse events. METHODS: The authors developed a real-time clinical alerting system for critical laboratory abnormalities. The system sent alerts to physicians as text messages to a smartphone or alphanumeric pager. Decision support was available via smartphone or hospital intranet. The authors evaluated the system in a prospective controlled stepped-wedge study with blinded outcome assessment in general internal medicine units at two academic hospitals. The outcomes were the proportion of potential clinical actions that were actually completed in response to the alert, and adverse events (worsening of condition or complications related to treatment of the condition). RESULTS: The authors evaluated 498 laboratory conditions on 271 patients. Overall, only 50% of potential clinical actions were carried out, and there were adverse clinical events within 48 h for 36% of the laboratory conditions. The median (IQR) proportion of potential clinical actions that were actually completed was 50% (33-75%) with alerting system on and 50% (33-100%) with alerting system off (p=0.94, Wilcoxon rank sum test). When the alerting system was on (n=164 alerts) there were 67 adverse events within 48 h of the alerts (42%). When the alerting system was off (n=334 alerts), there were 112 adverse events within 48 h (33%; difference: 9% higher with alerting system on, p=0.06). CONCLUSIONS: The provision of real-time clinical alerts and decision support for critical laboratory abnormalities did not improve clinical management or decrease adverse events.
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 | 0,015 | 0,003 |
| 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 | 0,001 | 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) | 0,001 | 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 ».