Patient Characteristics and Disposition After Pediatric Medical Emergency Team (MET) Activation: Disposition Depends on Who Activates the Team
Notice bibliographique
Résumé
OBJECTIVES: This study focused on health care staff (HCS) responsible for activating the medical emergency team (MET) at a pediatric tertiary hospital using a well-established rapid response system. Our goals were to report the patient characteristics, MET interventions, and disposition by activating HCS. METHODS: This is a retrospective cohort study of pediatric patients who received MET activation at the Children's Hospital of Eastern Ontario in Ottawa, Canada. Data were obtained from a prospectively maintained rapid response system database. The primary outcome was PICU admission, with the number and type of interventions performed as secondary outcomes. RESULTS: The most common MET activators were physicians (410, 53.3%) with nurses generating a comparable number (367, 47.7%). Significant differences in PICU admission rates were observed between activator groups, with physicians having statistically higher PICU admission rates when compared with nurses (25.2% vs 15.0%, P = .001). Compared with physicians, nursing-led activations on surgical patients had significantly lower odds of PICU admission relative to medical patients (odds ratio 0.19 vs 0.67; P = .03). No significant difference was observed in the type or number of interventions between any subgroup based on patient (surgery vs medical) or activator type. CONCLUSIONS: This study suggests that when nurses activate MET, patients are less likely to be transferred to the PICU despite receiving similar type and number of interventions. Our study results may help direct education initiatives aimed at enhancing the effectiveness of the afferent limb through informing specific HCS as to the importance of their role in using the MET.
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 | 0,000 |
| 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 | 0,000 |
| 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 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 ».