Analysis of Emergency Department Use by Non-Urgent Patients and Their Visit Characteristics at an Academic Center
Notice bibliographique
Résumé
Objective: We studied the extent and reasons for non-urgent emergency department (ED) visits in a single university hospital, their predictors, and patient outcomes to propose solutions suitable for Middle Eastern healthcare systems. Design: We conducted a retrospective review of electronic medical records, including all non- and less-urgent ED visits with complete triage records (levels 4 and 5 triage based on the Canadian Triage and Acuity Scale (CTAS) over one year. The data on patient demographics, visit characteristics, and patient disposition were analyzed using SPSS software. Setting: The study was conducted in the ED at King Abdullah Bin Abdul-Aziz University Hospital (KAAUH), a Saudi university hospital located within the campus of Princess Nourah Bint Abdulrahman University. Participants: A chart review was carried out for 18,880 patients with CTAS 4 or 5 visiting the KAAUH ED between July 2020 and July 2021. Additionally, a total of "11,857" patients with missing triage acuity or CTAS levels 1, 2, or 3 were excluded from the study. Results: The majority (61.4%) of the 30,737 ED visits were less-urgent or non-urgent. The most common reasons for non-urgent visits were routine examination/investigation (40.9%), medication refilling (14.6%), and upper respiratory tract infection/symptoms (9.9%). Most visits (73.4%) were during weekdays and resulted in the prescription of medication (94.2%), laboratory tests (62.8%), sick leaves (4.7%), radiology examinations (3.6%), and a visit to primary healthcare clinics (family medicine) within a week of the emergency visit (3.6%). Conclusion: Less- and non-urgent ED visits often did not need any further follow-ups or admission and represented a burden better managed by a primary healthcare center. Policymakers should mitigate unnecessary ED visits through public awareness, establish clear regulations for ED visits, improve the quality of care in primary healthcare centers, facilitate booking for outpatient department appointments, and regulate the systems of payment coverage/insurance and referral by other organizations.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».