Identifying children at high risk for infection-related decompensation using a predictive emergency department-based electronic assessment tool
Notice bibliographique
Résumé
OBJECTIVES: Electronic alert systems to identify potential sepsis in children presenting to the emergency department (ED) often either alert too frequently or fail to detect earlier stages of decompensation where timely treatment might prevent serious outcomes. METHODS: We created a predictive tool that continuously monitors our hospital's electronic health record during ED visits. The tool incorporates new standards for normal/abnormal vital signs based on data from ∼1.2 million children at 169 hospitals. Eighty-two gold standard (GS) sepsis cases arising within 48 h were identified through retrospective chart review of cases sampled from 35,586 ED visits during 2012 and 2014-2015. An additional 1,027 cases with high severity of illness (SOI) based on 3 M's All Patient Refined - Diagnosis-Related Groups (APR-DRG) were identified from these and 26,026 additional visits during 2017. An iterative process assigned weights to main factors and interactions significantly associated with GS cases, creating an overall "score" that maximized the sensitivity for GS cases and positive predictive value for high SOI outcomes. RESULTS: Tool implementation began August 2017; subsequent improvements resulted in 77% sensitivity for identifying GS sepsis within 48 h, 22.5% positive predictive value for major/extreme SOI outcomes, and 2% overall firing rate of ED patients. The incidence of high-severity outcomes increased rapidly with tool score. Admitted alert positive patients were hospitalized nearly twice as long as alert negative patients. CONCLUSIONS: Our ED-based electronic tool combines high sensitivity in predicting GS sepsis, high predictive value for physiologic decompensation, and a low firing rate. The tool can help optimize critical treatments for these high-risk children.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».