Incorporating a Computerized Cognitive Battery Into the Emergency Department Care of Pediatric Mild Traumatic Brain Injuries—Is It Feasible?
Notice bibliographique
Résumé
OBJECTIVES: The use of computers to test cognitive function acutely after a concussion is becoming increasingly popular, especially after sport-related concussion. Although commonly performed in the community, it is not yet performed routinely in the emergency department (ED), where most injured children present. The challenges of performing computerized cognitive testing (CCT) in a busy ED are considerable. The aim of this study was to evaluate the feasibility of CCT in the pediatric ED after concussion. METHODS: Children, aged 8 to 18 years with mild traumatic brain injury, presenting to the ED were eligible for this prospective study. Exclusion criteria included the use of drugs, alcohol, and/or physical injury, which could affect CCT performance. A 30- or 15-minute CCT battery was performed. Feasibility measures included environmental factors (space, noise, waiting time), testing factors (time, equipment reliability, personnel), and patient factors (age, injury characteristics). RESULTS: Forty-nine children (28 boys; mean age, 12.6; SD, ± 2.5) participated in the study. All children completed CCT. Mean testing times for the 30- and 15-minute battery were 29.7 and 15.2 minutes, respectively. Noise-cancelling headphones were well tolerated. A shorter CCT was more acceptable to families and was associated with fewer noise disturbances. There was sufficient time to perform testing after triage and before physician assessment in over 90% of children. CONCLUSIONS: Computerized cognitive testing is feasible in the ED. We highlight the unique challenges that should be considered before its implementation, including environmental and testing considerations, as well as personnel training.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».