Emergency Department Pediatric Readiness Among US Trauma Centers
Notice bibliographique
Résumé
OBJECTIVE: We used machine learning to identify the highest impact components of emergency department (ED) pediatric readiness for predicting in-hospital survival among children cared for in US trauma centers. BACKGROUND: ED pediatric readiness is associated with improved short-term and long-term survival among injured children and part of the national verification criteria for US trauma centers. However, the components of ED pediatric readiness most predictive of survival are unknown. METHODS: This was a retrospective cohort study of injured children below 18 years treated in 458 trauma centers from January 1, 2012, through December 31, 2017, matched to the 2013 National ED Pediatric Readiness Assessment and the American Hospital Association survey. We used machine learning to analyze 265 potential predictors of survival, including 152 ED readiness variables, 29 patient variables, and 84 ED-level and hospital-level variables. The primary outcome was in-hospital survival. RESULTS: There were 274,756 injured children, including 4585 (1.7%) who died. Nine ED pediatric readiness components were associated with the greatest increase in survival: policy for mental health care (+8.8% change in survival), policy for patient assessment (+7.5%), specific respiratory equipment (+7.2%), policy for reduced-dose radiation imaging (+7.0%), physician competency evaluations (+4.9%), recording weight in kilograms (+3.2%), life support courses for nursing (+1.0%-2.5%), and policy on pediatric triage (+2.5%). There was a 268% improvement in survival when the 5 highest impact components were present. CONCLUSIONS: ED pediatric readiness components related to specific policies, personnel, and equipment were the strongest predictors of pediatric survival and worked synergistically when combined.
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 | 0,000 | 0,000 |
| 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) | 0,001 | 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 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 ».