Quality Indicators for High Acuity Pediatric Conditions
Notice bibliographique
Résumé
OBJECTIVE: Identifying gaps in care and improving outcomes for severely ill children requires the development of evidence-based performance measures. We used a systematic process involving multiple stakeholders to identify and develop evidence-based quality indicators for high acuity pediatric conditions relevant to any emergency department (ED) setting where children are seen. METHODS: A prioritized list of clinical conditions was selected by an advisory panel. A systematic review of the literature was conducted to identify existing indicators, as well as guidelines and evidence that could be used to inform the creation of new indicators. A multiphase, Rand-modified Delphi method consisting of anonymous questionnaires and a face-to-face meeting of an expert panel was used for indicator selection. Measure specifications and evidence grading were created for each indicator, and the feasibility and reliability of measurement was assessed in a tertiary care pediatric ED. RESULTS: The conditions selected for indicator development were diabetic ketoacidosis, status asthmaticus, anaphylaxis, status epilepticus, severe head injury, and sepsis. The majority of the 62 selected indicators reflect ED processes (84%) with few indicators reflecting structures (11%) or outcomes (5%). Thirty-seven percent (n = 23) of the selected indicators are based on moderate or high quality evidence. Data were available and interrater reliability acceptable for the majority of indicators. CONCLUSIONS: A systematic process involving multiple stakeholders was used to develop evidence-based quality indicators for high acuity pediatric conditions. Future work will test the reliability and feasibility of data collection on these indicators across the spectrum of ED settings that provide care for children.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».