Implementation science approaches to optimizing venous thromboembolism prevention in patients with traumatic injuries: Findings from the 2022 Consensus Conference to Implement Optimal Venous Thromboembolism Prophylaxis in Trauma
Notice bibliographique
Résumé
ABSTRACT: Disease burden of venous thromboembolism (VTE) without pharmacologic prophylaxis is high in trauma patients. Although VTE prophylaxis guidelines exist, studies on real-world use of VTE prophylaxis in trauma shows limited uptake of guideline recommendations. Despite existing guidelines, reports indicate that VTE prophylaxis implementation across trauma centers is lagging. Implementation barriers of VTE prophylaxis in trauma are multifactorial, and VTE prescribing practices require further optimization. Implementation science methods can help standardize and improve care; well-established approaches in medical and surgical hospitalized patients and their effects on clinical outcomes such as VTE and bleeding complications must be investigated because they apply to trauma patients. Nonadministration of VTE prophylaxis medications in hospitalized patients is associated with VTE events and remains a barrier to providing optimal defect-free care. Further investigations are required for VTE prophylaxis implementation across all trauma populations.
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 | 0,240 | 0,263 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,012 | 0,021 |
| 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 ».