MétaCan
Menu
Retour à la cohorte
Enregistrement W2281555193 · doi:10.1136/emermed-2014-204388

The impact of senior doctor assessment at triage on emergency department performance measures: systematic review and meta-analysis of comparative studies

2015· review· en· W2281555193 sur OpenAlexaboutno aff
Maysam Abdulwahid, Andrew Booth, Maxine Kuczawski, Suzanne Mason

Notice bibliographique

RevueEmergency Medicine Journal · 2015
Typereview
Langueen
DomaineMedicine
ThématiqueEmergency and Acute Care Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineTriageEmergency departmentMeta-analysisEmergency medicineMedical emergencyPsychiatryPathology

Résumé

récupéré en direct d'OpenAlex

STUDY QUESTION: To determine if placing a senior doctor at triage versus standard single nurse in a hospital emergency department (ED) improves ED performance by reviewing evidence from comparative design studies using several quality indicators. DESIGN: Systematic review. DATA SOURCES: Cochrane Library, MEDLINE, EMBASE, CINAHL, Cochrane Effective Practice and Organisation of Care (EPOC), Web of Science, Clinical Trials Registry website. In addition, references from included studies and citation searches were used to identify relevant studies. REVIEW METHODS: Databases were searched for comparative studies examining the role of senior doctor triage (SDT), published from 1994 to 2014. Senior doctor was defined as a qualified medical doctor who completed high specialty training in emergency medicine. Articles with a primary aim to investigate the effect of SDT on ED quality indicators such as waiting time (WT), length of stay (LOS), left without being seen (LWBS) and left without treatment complete (LWTC) were included. Articles examining the adverse events and cost associated with SDT were also included. Only studies with a control group, either in a randomised controlled trial (RCT) or in an observational study with historical controls, were included. The systematic literature search was followed by assessment of relevance and risk of bias in each individual study fulfilling the inclusion criteria using the Effective Public Health Practice Project (EPHPP) bias tool. Data extraction was based on a form designed and piloted by the authors for dichotomous and continuous data. DATA SYNTHESIS: Narrative synthesis and meta-analysis of homogenous data were performed. RESULTS: Of 4506 articles identified, 25 relevant studies were retrieved; 12 were of the weak pre-post study design, 9 were of moderate quality and 4 were of strong quality. The majority of the studies revealed improvements in ED performance measures favouring SDT. Pooled results from two Canadian RCTs showed a significant reduction in LOS of medium acuity patients (weighted means difference (WMD) -26.26 min, 95% CI -38.50 to -14.01). Another two RCTs revealed a significant reduction in WT (WMD -26.17 min, 95% CI -31.68 to -20.65). LWBS was reduced in two Canadian RCTs (risk ratio (RR)=0.79, 95% CI 0.66 to 0.94). This was echoed by the majority of pre-post study designs. SDT did not change the occurrence of adverse events. No clear benefit of SDT in terms of patient satisfaction or cost effectiveness could be identified. CONCLUSIONS: This review demonstrates that SDT can be an effective measure to enhance ED performance, although cost versus benefit analysis is needed. The potential high risk of bias in the evidence identified, however, mandates more robust multicentred studies to confirm these findings.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,038
score de la tête « metaresearch » (Gemma)0,113
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,198

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0380,113
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0260,035
Bibliométrie0,0110,011
Études des sciences et des technologies0,0010,001
Communication savante0,0050,003
Science ouverte0,0030,003
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,362
Tête enseignante GPT0,536
Écart entre enseignants0,174 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations106
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEmergency Medicine JournalMême sujetEmergency and Acute Care StudiesTravaux en français237 207