Association between e-alert implementation for detection of acute kidney injury and outcomes: a systematic review
Notice bibliographique
Résumé
Background: Electronic alerts (e-alerts) for acute kidney injury (AKI) in hospitalized patients are increasingly being implemented; however, their impact on outcomes remains uncertain. Methods: We performed a systematic review. Electronic databases and grey literature were searched for original studies published between 1990 and 2016. Randomized, quasi-randomized, observational and before-and-after studies that included hospitalized patients, implemented e-alerts for AKI and described their impact on one of care processes, patient-centred outcomes or resource utilization measures were included. Results: Our search yielded six studies ( n = 10 165 patients). E-alerts were generally automated, triggered through electronic health records and not linked to clinical decision support. In pooled analysis, e-alerts did not improve mortality [odds ratio (OR) 1.05; 95% confidence intervals (CI), 0.84-1.31; n = 3 studies; n = 3425 patients; I 2 = 0%] or reduce renal replacement therapy (RRT) use (OR 1.20; 95% CI, 0.91-1.57; n = 2 studies; n = 3236 patients; I 2 = 0%). Isolated studies reported improvements in selected care processes. Pooled analysis found no significant differences in prescribed fluid therapy. Conclusions: In the available studies, e-alerts for AKI do not improve survival or reduce RRT utilization. The impact of e-alerts on processes of care was variable. Additional research is needed to understand those aspects of e-alerts that are most likely to improve care processes and outcomes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».