Mortality in Paediatric Medical Services over a Two-Year Period at the Georgetown Public Hospital Corporation
Notice bibliographique
Résumé
Objectives: To identify common causes and patterns of mortality and associated modifiable factors in Paediatric medical services, GPHC for 2016 and 2017.
 Design and Methods: Descriptive, Cross-sectional retrospective study of all Paediatrics deaths for 2016 and 2017 from the Paediatrics Medical Ward and ICU at GPHC. Data were analysed using IBM SPSS version 23 for descriptive statistics.
 Results: The Paediatrics Medical Ward saw 2419 admissions in 2016 and 2168 in 2017. There were 86 deaths recorded in the death registry during the two years, of which 57 deceased patient charts were reviewed, 29 charts (33.7%) were missing.
 Of the 57 charts reviewed, 42.1% were males and 57.9% were females. The most common final diagnosis was bronchopneumonia/pneumonia (n=1 (22.8%), followed by sepsis (n= 12 (21.0%). This pattern was seen in both the general sample population and the patients ≤ 5 years. Some of the modifiable factors which showed clinical significance when compared with length of hospitalization were; lack of routine reviews on the ward (p value 0.016), poor documentation of consultation information on referral notes (p value 0.032) and poor or no pre-hospital treatment before transfer (p value 0.017).
 Conclusions: Factors associated with mortality are mainly hospital-related and should, therefore, be given urgent attention for resolution which may reduce childhood mortality. In addition, the common causes of death are preventable and treatable respiratory and infectious diseases.
 Recommendations: Develop referral, transfer and management protocols for critical patients. Sensitization of staff on modifiable factors to effect positive behavioural change.
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 | 0,017 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».