A Pragmatic Method for Identification of Long-Stay Patients in the PICU
Notice bibliographique
Résumé
OBJECTIVES: To develop a pragmatic method of identifying long-stay patients (LSPs) in the PICU. METHODS: We surveyed 40 expert stakeholders in 14 Canadian PICUs between February 2015 and March 2015 to identify key factors to use for defining LSPs in the PICU. We then describe a pragmatic method using these factors to analyze 523 admissions to an academic, tertiary-care PICU from February 1, 2015, to January 31, 2016. RESULTS: The overall response rate was 70% (28 of 40). Of respondents, 75% (21of 28) stated that it was important to define LSPs and identified present and future resource consumption (18 of 21 [86%] and 16 of 21 [76%], respectively) as the key reasons for defining LSPs. Respondents valued a definition that was consistent and ranked a percentile cutoff as the preferred analytic method for defining LSPs. Of respondents, 86% (24 of 28) though the LSP definition should include factors other than length of stay. We developed a surrogate marker for LSPs using mechanical ventilation and presence of a central venous catheter in our sample population to compare to varying percentile cutoffs. We identified 108 patients at the 80th percentile as LSPs who used 67% of total bed days and had a median length of stay of 11.3 days. CONCLUSIONS: We present a pragmatic method for the retrospective identification of LSPs in the PICU that incorporates unit- and/or patient-specific characteristics. The next steps would be to validate this method using other patient and/or unit characteristics in different PICUs and over time.
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 | 0,001 |
| 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 ».