Pediatric Emergency Department Return Visits
Notice bibliographique
Résumé
OBJECTIVES: Emergency department (ED) return visits (RVs) leading to hospital admission are a quality measure that can potentially signal gaps in patient care. Systematic capture and investigation of RVs at a case level can provide an understanding of patient- and visit-level factors associated with RVs, and thus inform system-level quality improvement (QI) opportunities. Our objective is to describe the development of a database that enables tracking and analyzing of all pediatric ED RVs, to understand recurring themes and inform QI initiatives. METHODS: A single-center retrospective cohort study was conducted at a quaternary care children's hospital during a 3-year period (December 2013 to November 2016). All 72-hour RVs were audited for patient- and visit-level variables and clinicians completed root-cause analyses of their RVs. Using descriptive statistics, variables associated with RVs and system-level quality themes were identified. RESULTS: Of 214,047 ED patient visits, 1546 (0.7%) patients returned within 72 hours and were admitted. The RV patients had higher acuity scores on both visits compared with all ED visits, and the RV group had a higher proportion of children younger than 12 months than the overall ED visit group (25.0% vs 16.2%). The underlying cause for the majority of RVs was determined to be natural disease progression (63%), whereas 9% were callbacks for positive blood cultures or discrepant radiology results, and 6% were categorized as misdiagnoses. Several successful QI initiatives were completed as a result of the program. CONCLUSIONS: Systematic monitoring and investigation of all ED RVs provides an innovative and effective approach to seeking provider- and system-level improvement opportunities.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».