Identifying Factors That May Influence Decision-Making Related to the Distribution of Patients During a Mass Casualty Incident
Notice bibliographique
Résumé
OBJECTIVE: We aimed to identify and seek agreement on factors that may influence decision-making related to the distribution of patients during a mass casualty incident. METHODS: A qualitative thematic analysis of a literature review identified 56 unique factors related to the distribution of patients in a mass casualty incident. A modified Delphi study was conducted and used purposive sampling to identify peer reviewers that had either (1) a peer-reviewed publication within the area of disaster management or (2) disaster management experience. In round one, peer reviewers ranked the 56 factors and identified an additional 8 factors that resulted in 64 factors being ranked during the two-round Delphi study. The criteria for agreement were defined as a median score greater than or equal to 7 (on a 9-point Likert scale) and a percentage distribution of 75% or greater of ratings being in the highest tertile. RESULTS: Fifty-four disaster management peer reviewers, with hospital and prehospital practice settings most represented, assessed a total of 64 factors, of which 29 factors (45%) met the criteria for agreement. CONCLUSIONS: Agreement from this formative study suggests that certain factors are influential to decision-making related to the distribution of patients during a mass casualty incident. (Disaster Med Public Health Preparedness. 2018;12:101-108).
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 | 0,002 | 0,003 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».