MétaCan
Menu
Retour à la cohorte
Enregistrement W2802021139 · doi:10.1017/s1049023x1800033x

Comparison of Electronic Versus Manual Mass-Casualty Incident Triage

2018· article· en· W2802021139 sur OpenAlexaffabout
Claudie Bolduc, Nisreen Maghraby, Patrick T. Fok, The Minh Luong, Valérie Homier

Notice bibliographique

RevuePrehospital and Disaster Medicine · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensMcGill UniversityMcGill University Health Centre
Organismes subventionnairesnon disponible
Mots-clésTriageMass-casualty incidentMedical emergencyMedicineObservational studyHealth careDisaster medicineEmergency medicinePoison controlHuman factors and ergonomics

Résumé

récupéré en direct d'OpenAlex

IntroductionMass-casualty incidents (MCIs) easily overwhelm a health care facility's human and material resources through the extraordinary influx of casualties. Efficient and accurate triage of incoming casualties is a critical step in the hospital disaster response.Hypothesis/ProblemTraditionally, triage during MCIs has been manually performed using paper cards. This study investigated the use of electronic Simple Triage and Rapid Treatment (START) triage as compared to the manual method. METHODS: This observational, crossover study was performed during a live MCI simulation at an urban, Canadian, Level 1 trauma center on May 26, 2016. Health care providers (two medical doctors [MDs], two paramedics [PMs], and two registered nurses [RNs]) each triaged a total of 30 simulated patients - 15 by manual (paper-based) and 15 by electronic (computer-based) START triage. Accuracy of triage categories and time of triage were analyzed. Post-simulation, patients and participating health care providers also completed a feedback form. RESULTS: There was no difference in accuracy of triage between the electronic and manual methods overall, 83% and 80% (P=1.0), between providers or between triage categories. On average, triage time using the manual method was estimated to be 8.4 seconds faster (P<.001) for PMs; and while small differences in triage times were observed for MDs and RNs, they were not significant. Data from the participant feedback survey showed that the electronic method was preferred by most health care providers. Patients had no preference for either method. However, patients perceived the computer-based method as "less personal" than the manual triage method, but they also perceived the former as "better organized." CONCLUSION: Hospital-based electronic START triage had the same accuracy as hospital-based manual START triage, regardless of triage provider type or acuity of patient presentations. Time of triage results suggest that speed may be related to provider familiarity with a modality rather than the modality itself. Finally, according to patient and provider perceptions, electronic triage is a feasible modality for hospital triage of mass casualties. Further studies are required to assess the performance of electronic hospital triage, in the context of a rapid surge of patients, and should consider additional efficiencies built in to electronic triage systems. This study presents a framework for assessing the accuracy, triage time, and feasibility of digital technologies in live simulation training or actual MCIs. BolducC, MaghrabyN, FokP, LuongTM, HomierV. Comparison of electronic versus manual mass-casualty incident triage. Prehosp Disaster Med. 2018;33(3):273-278.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,005
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,032
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,085
Tête enseignante GPT0,488
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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations23
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePrehospital and Disaster MedicineMême sujetDisaster Response and ManagementTravaux en français237 207