Implementation of point-of-care blood gas testing at a large community hospital: Cost analysis, sepsis bundle compliance, and employee engagement
Notice bibliographique
Résumé
INTRODUCTION/BACKGROUND: Point-of-care testing (POCT) platforms support patient-centered approaches to health care delivery and may improve patient care. We evaluated implementation of a POCT platform at a large, acute care hospital in the Midwestern United States. METHODS: We used lactate testing as part of a sepsis bundle protocol to evaluate compliance and mortality outcomes. Respiratory team members were surveyed to assess perception of efficiency, ease of use, timely patient care, and overall engagement with the POCT system. Annualized cost per test of a benchtop analyzer and a POCT platform were compared across 3 years for each platform. RESULTS: Lactate testing volume increased from 61% to 91%, which was associated with improved sepsis bundle protocol compliance. Employees reported high levels of engagement, improvements in efficiency and time savings, and better patient care with POCT. Average cost per test was $10.02 for the benchtop system and $6.21 for the POCT platform. POCT saved our institution $88,476 annually in labor costs. DISCUSSION: Combined with a robust training program emphasizing the use of lactate testing in the context of the overall clinical picture, POCT enabled adherence to the sepsis bundle protocol and may have contributed to lower mortality. Additionally, the COVID-19 pandemic has provided us with unanticipated benefits of using POCT; it has enhanced our ability to deal with stringent infectious disease protocols, saving time and minimizing patient and staff exposure. CONCLUSIONS: Implementation of a POCT platform was associated with improved compliance to our sepsis protocol, reduced sepsis mortality, high employee engagement, and cost savings.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».