Comparing the Accuracy of Three Pediatric Disaster Triage Strategies: A Simulation-Based Investigation
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: It is unclear which pediatric disaster triage (PDT) strategy yields the best accuracy or best patient outcomes. METHODS: We conducted a cross-sectional analysis on a sample of emergency medical services providers from a prospective cohort study comparing the accuracy and triage outcomes for 2 PDT strategies (Smart and JumpSTART) and clinical decision-making (CDM) with no algorithm. Participants were divided into cohorts by triage strategy. We presented 10-victim, multi-modal disaster simulations. A Delphi method determined patients' expected triage levels. We compared triage accuracy overall and for each triage level (RED/Immediate, YELLOW/Delayed, GREEN/Ambulatory, BLACK/Deceased). RESULTS: There were 273 participants (71 JumpSTART, 122 Smart, and 81 CDM). There was no significant difference between Smart triage and CDM. When JumpSTART triage was used, there was greater accuracy than with either Smart (P<0.001; OR [odds ratio]: 2.03; interquartile range [IQR]: 1.30, 3.17) or CDM (P=0.02; OR: 1.76; IQR: 1.10, 2.82). JumpSTART outperformed Smart for RED patients (P=0.05; OR: 1.48; IQR: 1.01,2.17), and outperformed both Smart (P<0.001; OR: 3.22; IQR: 1.78,5.88) and CDM (P<0.001; OR: 2.86; IQR: 1.53,5.26) for YELLOW patients. Furthermore, JumpSTART outperformed CDM for BLACK patients (P=0.01; OR: 5.55; IQR: 1.47, 20.0). CONCLUSION: Our simulation-based comparison suggested that JumpSTART triage outperforms both Smart and CDM. JumpSTART outperformed Smart for RED patients and CDM for BLACK patients. For YELLOW patients, JumpSTART yielded more accurate triage results than did Smart triage or CDM.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle