Optimal Timing of Transfer Out of the Intensive Care Unit
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: Little other than subjective judgment is available to help clinicians determine when a patient should be transferred out of the intensive care unit. OBJECTIVE: To assess whether remaining in the intensive care unit longer than judged to be medically necessary is associated with increased 30-day mortality. METHODS: This prospective, observational cohort study was performed in a 13-bed, closed-model, adult medical intensive care unit of a county-owned, university-affiliated hospital that often has difficulty transferring patients to general care areas because of a lack of available beds. Analysis included all 2401 survivors of intensive care from the study period. Delay in discharge from the intensive care unit was defined as time elapsed between the request for transfer and the actual transfer. Logistic regression was used to assess the association of discharge delay with 30-day mortality, adjusting for demographics, comorbid conditions, type and severity of acute illness, care limitations in the unit, and other potential confounding variables. Nonlinear relationships with continuous variables were modeled with restricted cubic splines. RESULTS: Overall, 30-day mortality was 10.1%. Mean discharge delay was 9.6 (SD, 11.7) hours; 9.9% had a discharge delay exceeding 24 hours. The relationship of 30-day mortality to discharge delay was statistically significant and U-shaped, with the nadir at 20 hours. CONCLUSIONS: These data indicate an optimal time window for patients to leave the intensive care unit, with increased mortality not only if they leave earlier but also if they leave later than this optimal timing.
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 | 0,000 | 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 | 0,001 |
| 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) | 0,000 | 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 découle