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 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 | 0,090 | 0,201 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 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 ».