Improving Prone Positioning for Severe Acute Respiratory Distress Syndrome during the COVID-19 Pandemic. An Implementation-Mapping Approach
Notice bibliographique
Résumé
Abstract Rationale Prone positioning reduces mortality in patients with severe acute respiratory distress syndrome (ARDS), a feature of severe coronavirus disease 2019 (COVID-19). Despite this, most patients with ARDS do not receive this lifesaving therapy. Objectives To identify determinants of prone-positioning use, to develop specific implementation strategies, and to incorporate strategies into an overarching response to the COVID-19 crisis. Methods We used an implementation-mapping approach guided by implementation-science frameworks. We conducted semistructured interviews with 30 intensive care unit (ICU) clinicians who staffed 12 ICUs within the Penn Medicine Health System and the University of Michigan Medical Center. We performed thematic analysis using the Consolidated Framework for Implementation Research. We then conducted three focus groups with a task force of ICU leaders to develop an implementation menu, using the Expert Recommendations for Implementing Change framework. The implementation strategies were adapted as part of the Penn Medicine COVID-19 pandemic response. Results We identified five broad themes of determinants of prone positioning, including knowledge, resources, alternative therapies, team culture, and patient factors, which collectively spanned all five Consolidated Framework for Implementation Research domains. The task force developed five specific implementation strategies, including educational outreach, learning collaborative, clinical protocol, prone-positioning team, and automated alerting, elements of which were rapidly implemented at Penn Medicine. Conclusions We identified five broad themes of determinants of evidence-based use of prone positioning for severe ARDS and several specific strategies to address these themes. These strategies may be feasible for rapid implementation to increase use of prone positioning for severe ARDS with COVID-19.
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 | 0,130 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».