Pediatric Emergency Department Sepsis Screening Tool Accuracy During the COVID-19 Pandemic
Notice bibliographique
Résumé
BACKGROUND: Automated sepsis alerts in pediatric emergency departments (EDs) can identify patients at risk for sepsis, allowing for earlier intervention with appropriate therapies. The impact of the COVID-19 pandemic on the performance of pediatric sepsis alerts is unknown. METHODS: We performed a retrospective cohort study of 59 335 ED visits before the pandemic and 51 990 ED visits during the pandemic in an ED with an automated sepsis alert based on systemic inflammatory response syndrome criteria. The sensitivity, specificity, negative predictive value, and positive predictive value of the sepsis algorithm were compared between the prepandemic and pandemic phases and between COVID-19-negative and COVID-19-positive patients during the pandemic phase. RESULTS: The proportion of ED visits triggering a sepsis alert was 7.0% (n = 4180) before and 6.1% (n = 3199) during the pandemic. The number of sepsis alerts triggered per diagnosed case of hypotensive septic shock was 24 in both periods. There was no difference in the sensitivity (74.1% vs 72.5%), specificity (93.2% vs 94.0%), positive predictive value (4.1% vs 4.1%), or negative predictive value (99.9% vs 99.9%) of the sepsis alerts between these periods. The alerts had a lower sensitivity (60% vs 73.3%) and specificity (87.3% vs 94.2%) for COVID-19-positive versus COVID-19-negative patients. CONCLUSIONS: The sepsis alert algorithm evaluated in this study did not result in excess notifications and maintained adequate performance during the COVID-19 pandemic in the pediatric ED setting.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».