MétaCan
Menu
← Retour à la cohorte
Enregistrement W4307054518 · doi:10.1093/pch/pxac100.078

79 Impact of COVID-19 wave 3 paediatric inpatient unit closures on transfers to tertiary care paediatric hospital

2022· article· en· W4307054518 sur OpenAlexaffabout
Kayla Esser, Bryn Badour, Paul J. Davis, Kate Langrish, Pamela Chan, Michelle Shouldice, Carolyn E Beck, Judy Van Clieaf, Andrew Baker, Julia Orkin

Notice bibliographique

RevuePaediatrics & Child Health · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiquePrimary Care and Health Outcomes
Établissements canadiensHospital for Sick Children
Organismes subventionnairesnon disponible
Mots-clésMedicineTertiary careClosure (psychology)Emergency medicineInpatient careCoronavirus disease 2019 (COVID-19)Unit (ring theory)Community hospitalPandemicMedical emergencyPediatricsHealth careNursing

Résumé

récupéré en direct d'OpenAlex

Abstract Background During Wave 3 of the COVID-19 pandemic, 15 community hospital paediatric inpatient units (comprising 167 beds) in Toronto were directed to close by the Greater Toronto Area (GTA) Hospital Incident Management System (IMS) Command Centre to increase adult inpatient bed capacity. All paediatric patients from closed inpatient units were redirected to a single tertiary care paediatric hospital, which increased capacity to accommodate these additional patients through activation of surge plans, while community hospitals redeployed resources to fill much needed gaps in adult care. Objectives The objective was to describe patient characteristics of all transfers during the closure to explore the impact of community paediatric inpatient unit closures on transfers to the tertiary hospital. Design/Methods A chart review of all transferred patients was conducted during the mandated closure and subsequent reopening. Transfers excluded ICU-level transfers as these were not impacted by IMS mandated closures. All transfers were categorized as requiring tertiary care (i.e. would typically be transferred) or not requiring tertiary care (i.e. only transferred due to the closure). Variables collected included sending hospital, admitting diagnosis, patient age, hospital disposition, and length of stay. Data was collected until the last paediatric unit reopened. Quality improvement project approval was granted by the institution. Results A total of 858 patients were transferred to the tertiary hospital during the 67 day closure; of those, 530 were transferred solely to increase adult bed capacity (i.e. were categorized as patients requiring non-tertiary care). The majority of patients were admitted to general paediatrics (52%), and 39% went to a surgical inpatient unit. Most patients (68%) admitted had a length of stay between 24 and 72 hours. A third of patients admitted were under 2 years old, and a third were over 12 years old. The top three diagnoses for admission were infections, gastrointestinal issues, and general surgery. Two-thirds (60%) of transfers from closed sites came from three sites. Conclusion More than half of the transfers occurred solely due to the mandated closures, and transfers returned to a stable volume once all sites re-opened. The GTA hospital system was able to respond to the mandated closure effectively through clear high-level communication, escalation processes and structures as well as responsive, real-time problem solving. Closures increased potential adult inpatient capacity by 6740 bed days and demonstrated an unprecedented system-wide approach to the provision of integrated paediatric care across the region.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,094

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,374
Écart entre enseignants0,344 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child Health→Même sujetPrimary Care and Health Outcomes→Travaux en français237 207→