Variation in the Management of Pain, Agitation, and Delirium in Intensive Care Units in British Columbia
Notice bibliographique
Résumé
BACKGROUND: Pain, agitation, and delirium are associated with negative outcomes in critically ill patients. Reducing variation in pain, agitation, and delirium management among institutions could improve care. OBJECTIVES: To define opportunities to improve pain, agitation, and delirium management in intensive care units in British Columbia, Canada. METHODS: A 13-item survey was developed to determine practices for assessing and managing pain, agitation, and delirium. Target participants were persons designated as the most informed about pain, agitation, and delirium management at each of the 30 intensive care units in British Columbia. Main measures were protocol use, assessment tool(s) used and frequency, and management approaches. RESULTS: All 30 units responded; half of them had a unit-specific pain algorithm. The Behavioral Pain Scale and the numerical rating scale were the most common tools used to assess pain. Sites reported 15 different approaches to pain management: two-thirds used a sedation assessment tool, but some relied on physician diagnoses to identify sedation. Sites reported 18 different approaches to sedation management: most included an algorithm or order set for sedation management, but the most commonly used approach was individualized management by a clinician (17% for sedation and 30% for agitation). Sites reported 22 different approaches for delirium management: more than two-thirds used a delirium measurement instrument, but some relied on physician diagnoses to identify delirium. CONCLUSION: Variation in assessment and management of pain, agitation, and delirium in British Columbia intensive care units highlights opportunities to improve care.
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 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 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 ».