Quantitative Assessment of Injectable Medication Delivery Practices
Notice bibliographique
Résumé
Abstract Background While medical advances for in-hospital care rapidly evolve, a mainstay of effective pre-hospital care remains the ability to treat medical emergencies such as anaphylaxis, overdosing, and/or uncontrolled bleeding through rapid administration of appropriate medication. Therefore, investigators looked at various injection methods and their possible utility in medical emergencies. Method 30 participants were asked to inject ‘medication’ that mimicked three different methods of injection: 1) autoinjectors, 2) prefilled syringes, and 3) traditional standard syringes using clinical scenarios. Three variables that were measured in the study were: the time required to complete the injection, the perceived difficulties, and the participant’s performance errors. Results The perceived difficulty and injection time for the autoinjector device were statistically significantly lower compared to prefilled syringes and standard syringes. No significant difference in errors were seen between platforms. Discussion To our knowledge, this is the first study to quantify the gain of efficiency when comparing autoinjectors to other methods of medication administration, like prefilled syringes or drawing medication from vials for administration. The clinical implications of the noted differences are not clear at this time. Many potential limitations exist, including the size of the study, the use of non-clinical participants, the immediate use of platforms after training, and the lack of applied stress in the environment. Conclusion This study compares autoinjectors to other methods of medication administration; prefilled syringes and standard syringes. Further study in larger datasets with clinicians and/or military personnel is required to compare these platforms in various environments. The outcome of this project provides insights into the relative efficiencies of treating medical emergencies such as anaphylaxis, overdosing, and/or uncontrolled bleeding.
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 | 0,012 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».