MétaCan
Menu
Retour à la cohorte
Enregistrement W3020680060 · doi:10.1097/pcc.0000000000002425

Prediction of Pediatric Critical Care Resource Utilization for Disaster Triage*

2020· article· en· W3020680060 sur OpenAlexaff
Elizabeth Y. Killien, Brianna Mills, Nicole A. Errett, Vicki L. Sakata, Monica S. Vavilala, Frederick P. Rivara, Niranjan Kissoon, Mary A. King

Notice bibliographique

RevuePediatric Critical Care Medicine · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensBC Children's Hospital
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentNational Institute of Child Health and Human DevelopmentNational Institute of Environmental Health SciencesNational Institutes of HealthSeattle Children's Research Institute
Mots-clésMedicineTriageMedical emergencyIntensive care medicine

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: Pediatric protocols to guide allocation of limited resources during a disaster lack data to validate their use. The 2011 Pediatric Emergency Mass Critical Care Task Force recommended that expected duration of critical care be incorporated into resource allocation algorithms. We aimed to determine whether currently available pediatric illness severity scores can predict duration of critical care resource use. DESIGN: Retrospective cohort study. SETTING: Seattle Children's Hospital. PATIENTS: PICU patients admitted 2016-2018 for greater than or equal to 12 hours (n = 3,206). INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: We developed logistic and linear regression models in two-thirds of the cohort to predict need for and duration of PICU resources based on Pediatric Risk of Mortality-III, Pediatric Index of Mortality-3, and serial Pediatric Logistic Organ Dysfunction-2 scores. We tested the predictive accuracy of the models with the highest area under the receiver operating characteristic curve (need for each resource) and R (duration of use) in a validation cohort of the remaining one of three of the sample and among patients admitted during one-third of the sample and among patients admitted during surges of respiratory illness. Pediatric Logistic Organ Dysfunction score calculated 12 hours postadmission had higher predictive accuracy than either Pediatric Risk of Mortality or Pediatric Index of Mortality scores. Models incorporating 12-hour Pediatric Logistic Organ Dysfunction score, age, Pediatric Overall Performance Category, Pediatric Cerebral Performance Category, chronic mechanical ventilation, and postoperative status had an area under the receiver operating characteristic curve = 0.8831 for need for any PICU resource (positive predictive value 80.2%, negative predictive value 85.9%) and area under the receiver operating characteristic curve = 0.9157 for mechanical ventilation (positive predictive value 85.7%, negative predictive value 89.2%) within 7 days of admission. Models accurately predicted greater than or equal to 24 hours of any resource use for 78.9% of patients and greater than or equal to 24 hours of ventilation for 83.1%. Model fit and accuracy improved for prediction of resource use within 3 days of admission, and was lower for noninvasive positive pressure ventilation, vasoactive infusions, continuous renal replacement therapy, extracorporeal membrane oxygenation, and length of stay. CONCLUSIONS: A model incorporating 12-hour Pediatric Logistic Organ Dysfunction score performed well in estimating how long patients may require PICU resources, especially mechanical ventilation. A pediatric disaster triage algorithm that includes both likelihood for survival and for requiring critical care resources could minimize subjectivity in resource allocation decision-making.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,012
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,721
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,219
Tête enseignante GPT0,464
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePediatric Critical Care MedicineMême sujetDisaster Response and ManagementTravaux en français237 207