Mobile Decision Support Tool for Emergency Departments and Mass Casualty Incidents (EDIT): Initial Study
Notice bibliographique
Résumé
BACKGROUND: Chemical exposures pose a significant threat to life. A rapid assessment by first responders and emergency nurses is required to reduce death and disability. Currently, no informatics tools exist to process victims of chemical exposures efficiently. The surge of patients into a hospital emergency department during a mass casualty incident creates additional stress on an already overburdened system, potentially placing patients at risk and challenging staff to process patients for appropriate care and treatment efficacy. Traditional emergency department triage models are oversimplified during highly stressed mass casualty incident scenarios in which there is little margin for error. Emerging mobile technology could alleviate the burden placed on nurses by allowing the freedom to move about the emergency department and stay connected to a decision support system. OBJECTIVE: This study aims to present and evaluate a new mobile tool for assisting emergency department personnel in patient management and triage during a chemical mass casualty incident. METHODS: Over 500 volunteer nurses, students, and first responders were recruited for a study involving a simulated chemical mass casualty incident. During the exercise, a mobile application was used to collect patient data through a kiosk system. Nurses also received tablets where they could review patient information and choose recommendations from a decision support system. Data collected was analyzed on the efficiency of the app to obtain patient data and on nurse agreement with the decision support system. RESULTS: Of the 296 participants, 96.3% (288/296) of the patients completed the kiosk system with an average time of 3 minutes, 22 seconds. Average time to complete the entire triage process was 5 minutes, 34 seconds. Analysis of the data also showed strong agreement among nurses regarding the app's decision support system. Overall, nurses agreed with the system 91.6% (262/286) of the time when it came to choose an exposure level and 84.3% (241/286) of the time when selecting an action. CONCLUSIONS: The app reliably demonstrated the ability to collect patient data through a self-service kiosk system thus reducing the burden on hospital resources. Also, the mobile technology allowed nurses the freedom to triage patients on the go while staying connected to a decision support system in which they felt would give reliable recommendations.
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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».