MétaCan
Menu
Retour à la cohorte
Enregistrement W2533789955 · doi:10.1155/2016/1518760

Impact of a Local Low-Cost Ward-Based Response System in a Canadian Tertiary Care Hospital

2016· article· en· W2533789955 sur OpenAlexaffabout
Andrea Blotsky, Louay Mardini, Dev Jayaraman

Notice bibliographique

RevueCritical Care Research and Practice · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueEmergency and Acute Care Studies
Établissements canadiensRoyal Victoria HospitalRoyal Victoria Regional Health CentreMcGill University Health CentreJewish General HospitalMontreal General Hospital
Organismes subventionnairesnon disponible
Mots-clésAlgorithmMedicineMachine learningComputer scienceArtificial intelligenceDatabase

Résumé

récupéré en direct d'OpenAlex

Background . Medical emergency teams (METs) or rapid response teams (RRTs) facilitate early intervention for clinically deteriorating hospitalized patients. In healthcare systems where financial resources and intensivist availability are limited, the establishment of such teams can prove challenging. Objectives . A low-cost, ward-based response system was implemented on a medical clinical teaching unit in a Montreal tertiary care hospital. A prospective before/after study was undertaken to examine the system’s impact on time to intervention, code blue rates, and ICU transfer rates. Results . Ninety-five calls were placed for 82 patients. Median time from patient decompensation to intervention was 5 min (IQR 1–10), compared to 3.4 hours (IQR 0.6–12.4) before system implementation (<mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mml:mi>p</mml:mi><mml:mo>&lt;</mml:mo><mml:mn fontstyle="italic">0.001</mml:mn></mml:math>). Total number of ICU admissions from the CTU was reduced from 4.8/1000 patient days (<mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><mml:mo>±</mml:mo><mml:mn fontstyle="italic">2.2</mml:mn></mml:math>) before intervention to 3.3/1000 patient days (<mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"><mml:mo>±</mml:mo><mml:mn fontstyle="italic">1.4</mml:mn></mml:math>) after intervention (IRR: 0.82,<mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M4"><mml:mi>p</mml:mi><mml:mo>=</mml:mo><mml:mn fontstyle="italic">0.04</mml:mn></mml:math>(CI 95%: 0.69–0.99)). CTU code blue rates decreased from 2.2/1000 patient days (<mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M5"><mml:mo>±</mml:mo><mml:mn fontstyle="italic">1.6</mml:mn></mml:math>) before intervention to 1.2/1000 patient days (<mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M6"><mml:mo>±</mml:mo><mml:mn fontstyle="italic">1.3</mml:mn></mml:math>) after intervention (IRR: 0.51,<mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M7"><mml:mi>p</mml:mi><mml:mo>=</mml:mo><mml:mn fontstyle="italic">0.02</mml:mn></mml:math>(CI 95%: 0.30–0.89)). Conclusion . Our local ward-based response system achieved a significant reduction in the time of patient decompensation to initial intervention, in CTU code blue rates, and in CTU to ICU transfers without necessitating additional usage of financial or human resources.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,017
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,324
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,041
Tête enseignante GPT0,444
Écart entre enseignants0,403 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations6
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCritical Care Research and PracticeMême sujetEmergency and Acute Care StudiesTravaux en français237 207