Feasibility of implementing <i>Extubation Advisor</i>, a clinical decision support tool to improve extubation decision-making in the ICU: a mixed-methods observational study
Notice bibliographique
Résumé
OBJECTIVES: Although spontaneous breathing trials (SBTs) are standard of care to extubation readiness, no tool exists that optimises prediction and standardises assessment. In this study, we evaluated the feasibility and clinical impressions of Extubation Advisor (EA), a comprehensive clinical extubation decision support (CDS) tool. DESIGN: Phase I mixed-methods observational study. SETTING: Two Canadian intensive care units (ICUs). PARTICIPANTS: We included patients on mechanical ventilation for ≥24 hours and clinicians (respiratory therapists and intensivists) responsible for extubation decisions. INTERVENTIONS: Components included a predictive model assessment, feasibility evaluation, questionnaires and interviews with clinicians. RESULTS: We enrolled 117 patients, totalling 151 SBTs and 80 extubations. The incidence of extubation failure was 11% in low-risk patients and 21% in high-risk patients stratified by the predictive model; 38% failed extubation when both the model and clinical impression were at high risk. The tool was well rated: 94% and 75% rated the data entry and EA report as average or better, respectively. Interviews (n=15) revealed favourable impressions regarding its user interface and functionality, but unexpectedly, also concerns regarding EA's potential impact on respiratory therapists' job security. CONCLUSIONS: EA implementation was feasible, and users perceived it to have potential to support extubation decision-making. This study helps to understand bedside implementation of CDS tools in a multidisciplinary ICU. TRIAL REGISTRATION NUMBER: NCT02988167.
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 | 0,038 | 0,022 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».