133HIP FRACTURES AT YANGON GENERAL HOSPITAL: A DRIVE TOWARDS INTEGRATED CARE
Notice bibliographique
Résumé
Topic: Increasing incidence of fragility fractures worldwide poses significant health and economic burden. Incidence of hip fractures alone is set to increase to more than 6 million by 2020 (Kanis JA, 2007, p66). At Yangon General Hospital (YGH), fragility hip fractures accounted for 8% total orthopaedic admissions during a 4-month period. There is significant associated morbidity and mortality; around 10% of patients die in hospital within 1 month (Mithal A, Ebeling P, 2013, p8). This largely reflects the fact that patients are typically elderly with several comorbidities. Aim: to introduce integrated, multidisciplinary team working to benefit the care of hip fracture patients at YGH. Intervention: Analysis of existing hip fracture care (hip fracture database). Special Interest Group. Revision of clinical practice guidelines. Twice-weekly orthogeriatric ward rounds. Creation of an ‘Integrated Care Pathway for Hip Fracture Patients.’ Improvement: 305 patients were admitted between 10 January and 31 August 2017. Average time to surgery (TTS) reduced from 10 (range 1-15) to 8 (range 3-13) days. Average length of stay (LOS) remained 11 days (range 2-18 days in August) (patients discharged 2 days postoperatively). Promising results were seen for elderly patients. Between 1st March – 31st May, 54% patients were >70 years of age, 58% were managed surgically and TTS was 13 days. In June, 64% were managed surgically and TTS was 10 days. Regular special interest group meetings enabled a platform to identify care challenges and also the revision/generation of clinical practice guidelines such as echocardiogram requesting (previously done for all patients ≥60 years of age and incurring up to a 2-week preoperative delay) and osteoporosis assessment.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».