Rapid Prototyping and Implementation of Electronic Order Sets for Critically Ill Adults with COVID-19 Admitted to a Children's Hospital
Notice bibliographique
Résumé
Abstract Objectives An eight-bed adult coronavirus (COVID-19) critical care (CC) unit was established within our pediatric CC unit (PCCU) when SARS-CoV-2 (severe acute respiratory syndrome coronavirus 2) variants increased the CC bed demand. Our objective was to rapidly implement electronic order sets (OSs) to facilitate computerized provider order entry (CPOE) for adult patients admitted within a children's hospital. Methods OS development began from the assessment of OSs from seven adult CC units. Using a pre-existing PCCU admission template, we created two OSs: adult COVID-19 admission and ongoing care. We tested the prototypes in a multidisciplinary onsite–virtual hybrid tabletop simulation to evaluate usability within established workflows. Participants utilized role-specific profiles within the electronic health record (EHR) training environment which paralleled their computer interface, permitting charting and documentation. EHR analysts were present to gather change requests. Following implementation, we performed twice-daily huddles with end users to identify issues. Results A total of 13 multidisciplinary bedside providers participated in simulation testing of the prototypes. Two safety issues were addressed before implementation. The electronic OSs were developed, tested, and implemented within 8 days. The postimplementation huddles identified one medication addition, and no deletions were necessary. Conclusion Caring for adult COVID-19 patients within a freestanding children's hospital presents challenges and has the potential to introduce latent safety threats. Rapid development and implementation of electronic OSs within 8 days to facilitate CPOE and reduce health care provider cognitive burden relied on leveraging functionality within the EMR system, performing iterative testing with a tabletop simulation, integration into previously established workflows, and gathering post-implementation feedback for continuous improvement.
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 | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».