Mass casualty modelling: a spatial tool to support triage decision making
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: During a mass casualty incident, evacuation of patients to the appropriate health care facility is critical to survival. Despite this, no existing system provides the evidence required to make informed evacuation decisions from the scene of the incident. To mitigate this absence and enable more informed decision making, a web based spatial decision support system (SDSS) was developed. This system supports decision making by providing data regarding hospital proximity, capacity, and treatment specializations to decision makers at the scene of the incident. METHODS: This web-based SDSS utilizes pre-calculated driving times to estimate the actual driving time to each hospital within the inclusive trauma system of the large metropolitan region within which it is situated. In calculating and displaying its results, the model incorporates both road network and hospital data (e.g. capacity, treatment specialties, etc.), and produces results in a matter of seconds, as is required in a MCI situation. In addition, its application interface allows the user to map the incident location and assists in the execution of triage decisions. RESULTS: Upon running the model, driving time from the MCI location to the surrounding hospitals is quickly displayed alongside information regarding hospital capacity and capability, thereby assisting the user in the decision-making process. CONCLUSIONS: The use of SDSS in the prioritization of MCI evacuation decision making is potentially valuable in cases of mass casualty. The key to this model is the utilization of pre-calculated driving times from each hospital in the region to each point on the road network. The incorporation of real-time traffic and hospital capacity data would further improve this model.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle