Estimating ICU Benefit: A Randomized Study of Physicians
Notice bibliographique
Résumé
OBJECTIVES: The distinction between overuse and appropriate use of the ICU hinges on whether a patient would benefit from ICU care. We sought to test 1) whether physicians agree about which types of patients benefit from ICU care and 2) whether estimates of ICU benefit are influenced by factors unrelated to severity of illness. DESIGN: Randomized study. SETTING: Online vignettes. SUBJECTS: U.S. critical care physicians. INTERVENTIONS: Physicians were provided with eight vignettes of hypothetical patients. Each vignette had a single patient or hospital factor randomized across participants (four factors related and four unrelated to severity of illness). MEASUREMENTS AND MAIN RESULTS: The primary outcome was the estimate of ICU benefit, assessed with a 4-point Likert-type scale. In total, 1,223 of 8,792 physicians volunteered to participate (14% recruitment rate). Physician agreement of ICU benefit was poor (mean intraclass correlation coefficient for each vignette: 0.06; range: 0-0.18). There were no vignettes in which more than two thirds of physicians agreed about the extent to which a patient would benefit from ICU care. Increasing severity of illness resulted in greater estimated benefit of ICU care. Among factors unrelated to severity of illness, physicians felt ICU care was more beneficial when told one ICU bed was available than if ICU bed availability was unmentioned. Physicians felt ICU care was less beneficial when family was present than when family presence was unmentioned. The patient's age, but not race/ethnicity, also impacted estimates of ICU benefit. CONCLUSIONS: Estimates of ICU benefit are widely dissimilar and influenced by factors unrelated to severity of illness, potentially resulting in inconsistent allocation of ICU care.
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 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».