Implementing an intensive care registry in India: preliminary results of the case-mix program and an opportunity for quality improvement and research
Notice bibliographique
Résumé
Background: The epidemiology of critical illness in India is distinct from high-income countries. However, limited data exist on resource availability, staffing patterns, case-mix and outcomes from critical illness. Critical care registries, by enabling a continual evaluation of service provision, epidemiology, resource availability and quality, can bridge these gaps in information. In January 2019, we established the Indian Registry of IntenSive care to map capacity and describe case-mix and outcomes. In this report, we describe the implementation process, preliminary results, opportunities for improvement, challenges and future directions. Methods: All adult and paediatric ICUs in India were eligible to join if they committed to entering data for ICU admissions. Data are collected by a designated representative through the electronic data collection platform of the registry. IRIS hosts data on a secure cloud-based server and access to the data is restricted to designated personnel and is protected with standard firewall and a valid secure socket layer (SSL) certificate. Each participating ICU owns and has access to its own data. All participating units have access to de-identified network-wide aggregate data which enables benchmarking and comparison. Results: The registry currently includes 14 adult and 1 paediatric ICU in the network (232 adult ICU beds and 9 paediatric ICU beds). There have been 8721 patient encounters with a mean age of 56.9 (SD 18.9); 61.4% of patients were male and admissions to participating ICUs were predominantly unplanned (87.5%). At admission, most patients (61.5%) received antibiotics, 17.3% needed vasopressors, and 23.7% were mechanically ventilated. Mortality for the entire cohort was 9%. Data availability for demographics, clinical parameters, and indicators of admission severity was greater than 95%. Conclusions: IRIS represents a successful model for the continual evaluation of critical illness epidemiology in India and provides a framework for the deployment of multi-centre quality improvement and context-relevant clinical research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,049 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».