Using emergency physicians’ abilities to predict patient admission to decrease admission delay time
Notice bibliographique
Résumé
BACKGROUND: In many EDs, emergency physicians (EPs) do not have admitting privileges and must wait for consultants to further assess and admit patients. This delays bed requests and increases ED crowding. We measured EPs' abilities to predict patient admission prior to consultation and estimated the potential ED stretcher time saved if EPs requested a bed with consultation. METHODS: We conducted a prospective cohort study in an academic centre in Canada between October 2017 and February 2018 using a convenience sample of ED patient encounters requiring consultation. We excluded patients under 18 years or those clearly likely to be admitted (traumas, strokes, S-T elevation myocardial infarctions and Canadian Triage and Acuity Scale of 1). EPs predicted patient admission just before consultation. Potential ED stretcher time saved was estimated for correctly predicted admissions assuming bed requests were initiated with consultation and a constant time to inpatient bed. RESULTS: Characteristics of 454 patients were: mean age 60.1 years, 48.5% male, 46.9% evening presentation, 69.4% admitted and median time to bed request of 3.5 hours (IQR 2.0-5.3 hours). Overall, EPs prediction sensitivity, specificity, positive predictive value and negative predictive value were 90.5% (95% CI 86.7% to 93.5%), 84.2% (95% CI 77.0% to 89.8%), 92.8% (95% CI 89.8% to 95.0%) and 79.6% (95% CI 73.4% to 84.7%). Approximately 922.1 hours of ED stretcher time could have been saved during the 5-month study period if EPs initiated a bed request with consultation. CONCLUSION: Crowding is a reality for EDs worldwide, and many systems could benefit from EP-initiated hospital admissions to decrease the amount of time admitted patients wait in the ED.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,111 | 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 ».