Gaming National Emergency Access Target performance using Emergency Treatment Performance definitions and emergency department short stay units
Notice bibliographique
Résumé
OBJECTIVE: To evaluate potential gaming of the 4 h ED length of stay metric known as the National Emergency Access Target (NEAT) in Australia and Emergency Treatment Performance (ETP) in New South Wales (NSW). METHODS: Descriptive statistical analysis was used to recalculate and compare the scores for NEAT and the NSW ETP using variations in the definitions of their measurement on 32 184 presentations during 2016. A computer simulation using a discrete event model illustrated the effect of the use of ED short stay beds on the ETP scores. RESULTS: Using the timestamp of the intent to discharge a patient, called, 'ready for departure' instead of the time of a patient physically leaving the department, resulted in an apparent 6% performance improvement. A local interpretation of the NSW state definition of the 'transferred' patient resulted in the ETP for 'admitted' patients improving by 16%. The discrete event model demonstrated that without changing patient length of stay, ETP scores can be improved by optimising the time of the admit decision or increasing the number of ED short stay beds. CONCLUSIONS: The opportunity of NEAT may be squandered unless gaming of the definitions and use of ED short stay beds is addressed. We argue that the longstanding issue of 'departure time' should be defined as 'physically leaving' the department, in accordance with the Australasian College for Emergency Medicine (ACEM) definition. Patient occupancy is a real measure of ED resource use and NSW and national recommendations should be adjusted. ACEM accreditation of EDs should include review of their application of NEAT definitions to ensure they truly reflect patient flow processes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 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 ».