Delirium management by palliative medicine specialists: a survey from the association for palliative medicine of Great Britain and Ireland
Notice bibliographique
Résumé
OBJECTIVES: Delirium is common in palliative care settings. Management includes detection, treatment of cause(s), non-pharmacological interventions and family support; strategies which are supported with varying levels of evidence. Emerging evidence suggests that antipsychotic use should be minimised in managing mild to moderate severity delirium, but the integration of this evidence into clinical practice is unknown. METHODS: A 21-question online anonymous survey was emailed to Association for Palliative Medicine members in current clinical practice (n=859), asking about delirium assessment, management and research priorities. RESULTS: Response rate was 39%: 70% of respondents were palliative medicine consultants. Delirium guidelines were used by some: 42% used local guidelines but 38% used none. On inpatient admission, 59% never use a delirium screening tool. Respondents would use non-pharmacological interventions to manage delirium, either alone (39%) or with an antipsychotic (58%). Most respondents (91%) would prescribe an antipsychotic and 6% a benzodiazepine, for distressing hallucinations unresponsive to non-pharmacological measures. Inpatient (57%) and community teams (60%) do not formally support family carers. Research priorities were delirium prevention, management and prediction of reversibility. CONCLUSION: This survey of UK and Irish Palliative Medicine specialists shows that delirium screening at inpatient admission is suboptimal. Most specialists continue to use antipsychotics in combination with non-pharmacological interventions to manage delirium. More support for family carers should be routinely provided by clinical teams. Further rigorously designed clinical trials are urgently needed in view of management variability, emerging evidence and perceived priorities for research.
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 | 0,001 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».