Expanding the scope of Critical Care Rapid Response Teams: a feasible approach to identify adverse events. A prospective observational cohort
Notice bibliographique
Résumé
INTRODUCTION: Adverse events (AEs) affect 3-12% of hospitalised patients. These are estimates from a labour-intensive chart review process,which is not feasible outside research. Clinical deterioration on the wards triggers a rapid response teams (RRTs) consult and can be used to identify an AE prospectively. OBJECTIVES: To demonstrate the feasibility of using RRT to detect AEs and compare this methodology to the rates reported using an electronic safety reporting system. METHODS: Prospective observational cohort of RRT consults. Three independent physicians reviewed all cases for the occurrence of an AE and its preventability. We summarise AEs as rates per 1000 patient-days, and compared the rates between RRT and the safety reporting system using a Poisson model. RESULTS: There were 8713 hospital admissions, with 531 RRT consults and 247 (2.8%) cases included. Forty-four (17.8%) and 35 cases (14.2%) were judged as AEs and preventable AEs, respectively. RRT identified 0.52 AE/1000 patient-days, compared with 0.21 AE/1000 patient-days detected through the electronic safety reporting system (rate ratio 2.4, 95% CI 1.4 to 4.2, p=0.0014). Patients in surgical wards had more AEs (0.83/1000 vs 0.36/1000, p<0.01) and preventable AEs (0.70 vs 0.21, p<0.01) than patients in medical wards. Agreement for AE (κ 0.46, 95% CI 0.39 to 0.53) and preventable AE (κ 0.47, 95% CI 0.40 to 0.53) was moderate among reviewers. CONCLUSIONS: Reviewing RRT consults identified a high proportion of AEs and preventable AEs. This methodology detected twice as many AEs as the hospital's safety reporting system. RRT clinicians provide a complementary and more sensitive mechanism than traditional safety reporting systems to identify possible AEs in hospitals.
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 | 0,013 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».