Improving timely analgesia administration for musculoskeletal pain in the emergency department
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Delays to adequate analgesia result in worse patient care, decreased patient and provider satisfaction and increased patient complaints. The leading presenting symptom to emergency departments (EDs) is pain, with approximately 34 000 such patients per year in our academic hospital ED and 3300 visits specific for musculoskeletal (MSK) injuries. Our aim was to reduce the time-to-analgesia (TTA; time from patient triage to receipt of analgesia) for patients with MSK pain in our ED by 55% (to under 60 min) in 9 months' time (May 2018). Our outcome measures included mean TTA and ED length of stay (LOS). Process measures included rates of analgesia administration and of use of medical directives. We obtained weekly data capture for Statistical Process Control (SPC) charts, as well as Mann-Whitney U tests for before-and-after evaluation. We performed wide stakeholder engagement, root cause analyses and created a Pareto Diagram to inform Plan-Do-Study-Act (PDSA) cycles, which included: (1) nurse-initiated analgesia at triage; (2) a new triage documentation aid for medication administration; (3) a quick reference medical directive badge for nurses; and (4) weekly targeted feedback of the project's progress at clinical team huddle. TTA decreased from 129 min (n=153) to 100 min (22.5%; n=87, p<0.05). Special cause variation was identified on the ED LOS SPC chart with nine values below the midline after the first PDSA. The number of patients that received any analgesia increased from 42% (n=372) to 47% (n=192; p=0.13) and those that received them via medical directives increased from 22% (n=154) to 44% (n=87; p<0.001). We achieved a significant reduction of TTA and an increased use of medical directives through front-line focused improvements.
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.
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 | 0,003 | 0,002 |
| 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 découle