Virtual mask fitting in pediatric patients during COVID-19: A case series
Notice bibliographique
Résumé
INTRODUCTION: The COVID-19 pandemic has been an unprecedented threat to our health care system. Clinicians had to pivot and develop creative and timely "virtual" solutions to provide clinical care. Our aim was to develop a standardized approach to virtual "mask fitting" for children who are either being initiated or are already on existing long-term ventilation (LTV) at a pediatric hospital. CASE AND OUTCOMES: We present three cases involving the care of children who required mask fitting for noninvasive ventilation (NIV). LTV team consultations were delivered via videoconference or phone. With the guidance of the respiratory therapist (RT), the family caregiver (FC) took measurements on their child using a standardized clinical approach (developed by the LTV RTs). Based on the measurements, an appropriate mask was selected. Successful mask fit was based on patient/FC reports, as well as objective leak data obtained from the NIV download data. DISCUSSION: Virtual clinics used for managing patients in our LTV program were feasible and efficient resulting in improved workflow for the RTs and convenience for patients and FCs. Patients and FCs had significantly less pressure to attend in-person clinics and expressed high satisfaction in terms of their experience and importantly, meeting respiratory care needs. Within the context of COVID-19, remote patient education and intervention can be delivered effectively, while reducing the risk of exposure from in-person visits to hospital. CONCLUSION: A virtual/telemedicine program to manage pediatric patients requiring mask fitting for LTV was a feasible option during 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 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 ».