The Effect of Multiple Assessments on Delirium Detection: a Pilot Study*
Notice bibliographique
Résumé
BACKGROUND: Delirium is characterized by fluctuating attention or arousal, with high prevalence in the orthopaedic ward. Our aim was to: 1) establish the prevalence of delirium on an orthopaedic ward, and 2) compare delirium prevalence using a single geriatrician assessment vs. multiple 3D-CAM (3-Minute Diagnostic Interview for Confusion Assessment Method) assessments during the day. We hypothesized that multiple assessments would increase the detection rate due to the fluctuating nature of delirium. METHODS: Comparative study conducted at an academic hospital in Hamilton, Ontario. Participants included patients 65 years and older admitted to the orthopaedic ward (n=55). After a geriatrician made the first assessment of delirium by 3D-CAM on each patient, teams with specialized geriatrics training re-assessed participants up to four times. Delirium rates based on first assessment were compared to cumulative end-of-day rates to determine if detection increased with multiple assessments. RESULTS: The prevalence of delirium was 30.9% (17 participants) using multiple assessments. Of these cases, 13 (76.4%) were detected in the initial geriatrician assessment. In patients with hip fractures, 70.6% (12 of 17) were identified as delirious by multiple assessments. CONCLUSION: As symptoms fluctuate, multiple daily CAM assessments may increase the identification of delirium in orthopaedic inpatients.
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 | 0,011 |
| 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 | 0,001 |
| 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 ».