P.046 Increasing EEG monitoring in the pediatric ICU - benefits and barriers
Notice bibliographique
Résumé
Background: Non-convulsive seizures are common in critically ill patients and are best detected by continuous EEG (cEEG) monitoring. A recent consensus statement from the American Clinical Neurophysiology Society (ACNS) outlines the indications for EEG monitoring in critically ill patients. Our aim was to assess adherence to these indications, barriers to cEEG utilization as well as to optimize cEEG monitoring in critically ill children. Methods: We conducted a retrospective review of electronic medical records, analyzing patients admitted to the PICU from January 1st until June 23rd 2018, followed by an 8-week mentorship period, consisting of educational interventions as well as daily patient rounds to help identify patients meeting cEEG monitoring criteria. Results: Prevalence of patients meeting cEEG monitoring indications were similar in both the retrospective and mentorship period (18% vs. 23%). During the retrospective period, 23% of patients received cEEG monitoring, reaching 100% at the end of the mentorship period. The median delay for initiation of monitoring was 17 hours, largely due to restrictions in the availability of technologists. All cEEGs performed informed anti-convulsive management. Conclusions: An educational intervention was effective in increasing PICU cEEG monitoring. However, limited hours of technologist availability represented the largest barrier to timely cEEG monitoring.
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 | 0,005 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,005 | 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 ».