Prevention of Complications and Successful Rescue of Patients With Serious Complications: Characteristics of High-Performing Trauma Centers
Notice bibliographique
Résumé
BACKGROUND: "Failure to rescue" patients with complications is a factor contributing to high mortality rates after elective surgery. In trauma, where early deaths are the primary contributors to a trauma center's mortality rate, the rescue of patients with complications might not be related to overall trauma center mortality. We assessed the extent to which trauma center mortality was reflected by the center's ability to rescue patients with major complications. METHODS: Data were derived from the National Trauma Databank, and limited to adults with an Injury Severity Score ≥9 and to centers with adequate complication reporting. Regression models were used to produce center-level adjusted rates for mortality and complications. Centers were ranked on their adjusted mortality rate and divided into quintiles. RESULTS: Of 76,048 patients, 9.6% had a major complication and 7.9% died. The mean complication rate in the quintile of centers with the highest mortality rates was 11.1%, compared with 7.7% in the quintile of centers with the lowest mortality rates (p=0.03). In addition, mortality among patients with complications differed significantly across quintiles. The mean mortality among patients with complications was 20.3% in the quintile of centers with the highest overall mortality rates, compared with 11.1% in the quintile of centers with the lowest overall mortality rates (p<0.001). CONCLUSIONS: Unlike reports from elective surgery, complication rates after severe injury differ across centers and parallel mortality rates. Centers with low overall mortality are more successful at rescuing patients who experience complications. A lower risk of complications and better care of those with complications are both at play in high-performing trauma centers.
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 ».