Who to handover: a case–control study of a novel scoring system to prioritise handover of internal medicine inpatients
Notice bibliographique
Résumé
BACKGROUND: Handover of patients between care providers is a critical event in patient care. There is, however, little evidence to guide the handover process, including determining which patients to handover. AIM: Compare the ability of gestalt-based handover with two structured scores, the modified early warning score (MEWS) and our novel iHAND clinical decision support system, to predict which patients will be assessed by a physician overnight. METHODS: This case-control study included 90 inpatients, comprising 32 patients assessed overnight (cases) and 58 patients not assessed overnight (controls) at a teaching hospital in British Columbia, Canada (May 2012). Gestalt, MEWS and iHAND scores were analysed against patients seen overnight using logistic regression and receiver-operating characteristic (ROC) curves. RESULTS: Neither current gestalt-based handover practice (odds ratio (OR) 1.50, 95% CI 0.89 to 3.83) nor MEWS (OR 0.96, 95% CI 0.75 to 1.24, area under the ROC curve (AUC) 0.61, 95% CI 0.49 to 0.73) were significantly associated with need to be seen overnight. The iHAND score was associated with need to be seen (OR 1.93, 95% CI 1.24 to 3.02, AUC 0.70, 95% CI 0.60 to 0.81). CONCLUSIONS: The iHAND score had moderate ability to predict which patients required assessment overnight, while MEWS score and current gestalt approach correlated poorly, suggesting the iHAND score may help prioritisation of patients likely to be seen overnight for handover.
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 | 0,001 | 0,004 |
| 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 | 0,000 | 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 ».