A QI Partnership to Decrease CT Use for Pediatric Appendicitis in the Community Hospital Setting
Notice bibliographique
Résumé
The primary aim of this quality improvement initiative was to decrease the use of computerized tomography (CT) in the evaluation of pediatric appendicitis in a community general emergency department (GED) system by 50% (from 32% to 16%) in 1 year. METHODS: Colleagues within a State Emergency Medical Service for Children (EMSC) community of practice formed the quality improvement team, representing multiple stakeholders across 3 independent institutions. The team generated project aims by reviewing baseline practice trends and implemented changes using the Model for Improvement. Ultrasound (US) use and nondiagnostic US rates served as process measures. Transfer and "over-transfer" rates served as balancing measures. Interventions included a GED pediatric appendicitis clinical pathway, US report templates, and case audit and feedback. Statistical process control tracked the main outcomes. Additionally, frontline GED providers shared perceptions of knowledge gains, practice changes, and teamwork. RESULTS: The 12-month baseline revealed a GED CT scan rate of 32%, a US rate of 63%, a nondiagnostic US rate of 77%, a transfer to a children's hospital rate of 23.5%, and an "over-transfer" rate of 0%. Project interventions achieved and sustained the primary aim by decreasing the CT scan rate to 4.5%. Frontline GED providers reported positive perceptions of knowledge gains and standardization of practice. CONCLUSIONS: Engaging regional colleagues in a pediatric-specific quality improvement initiative significantly decreased CT scan use in children cared for in a community GED system. The emphasis on the community of practice facilitated by Emergency Medical Service for Children may guide future improvement work in the state and beyond.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».