Emergency department use of monoclonal antibody therapy in high risk COVID positive patients
Notice bibliographique
Résumé
Background: There have been many perceived barriers to the implementation of the mass use of monoclonal antibody therapy following the Food and Drug Administration’s Emergency Use Authorization in November 2020. These barriers include identifying eligible patients, physical resources including trained staff members, space, and materials for the administration away from others to reduce transmission, and cost of the resources. However, Lakeland Regional Health was able to create a safe and efficient protocol to administer Bamlanivimab in the treatment of high risk COVID positive patients and initiate this proposed pathway within 24 hours of receipt of the first shipment of medication.Methods: Critical to the development and success of this protocol was a multi-disciplinary approach focused on identifying and utilizing preexisting resources to ensure safe and efficient administration of this treatment to as many eligible patients as possible. Another crucial aspect was the utilization of the emergency department providers for identifying high risk eligible patients and as a safe and effective treatment setting.Results: This article is intended to demonstrate a best practice pathway to identify and administer Bamlanivimab, or similar treatments, and will not discuss outcomes or efficacy of the medication. To date Lakeland Regional Health has successfully treated over 1,000 high risk COVID-19 positive patients within our community.Conclusions: By identifying and utilizing similar resources and pathways available at individual medical centers, it is possible to safely and efficiently treat high risk COVID positive patients with monoclonal antibody therapy on a large scale.
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) | 0,000 | 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 ».