Impact of 24/7 Onsite Emergency Radiology Staff Coverage on Emergency Department Workflow
Notice bibliographique
Résumé
PURPOSE: Assess the impact of 24/7/365 emergency trauma radiology (ETR) coverage on Emergency Department (ED) patient flow in an urban, quaternary-care teaching hospital. METHODS: Patient ED visit and imaging information were extracted from the hospital patient care information system for 2008 to 2018. An interrupted time-series approach with a comparison group was used to study the impact of 24/7/365 ETR on average monthly ED length of stay (ED-LOS) and Emergency Physician to disposition time (EP-DISP). Linear regression models were fit with abrupt and permanent interrupts for 24/7/365 ETR, a coefficient for comparison series and a SARIMA error term; subgroup analyses were performed by patient arrival time, imaging type and chief complaint. RESULTS: During the study period, there were 949,029 ED visits and 739,796 diagnostic tests. Following implementation of 24/7/365 coverage, we found a significant decrease in EP-DISP time for patients requiring only radiographs (-29 min;95%CI:-52,-6) and a significant increase in EP-DISP time for major trauma patients (46 min;95%CI:13,79). No significant change in patient throughput was observed during evening hours for any patient subgroup. For overnight patients, there was a reduction in EP-DISP for patients with symptoms consistent with stroke (-78 min;95%CI:-131,-24) and for high acuity patients who required imaging (-33 min;95%CI:-57,-10). Changes in ED-LOS followed a similar pattern. CONCLUSIONS: At our institution, 24/7/365 in-house ETR staff radiology coverage was associated with improved ED flow for patients requiring only radiographs and for overnight stroke and high acuity patients. Major trauma patients spent more time in the ED, perhaps reflecting the required multidisciplinary management.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,002 | 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 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 ».