Value-Based Care for Healthy Children With First Episode of Febrile Neutropenia
Notice bibliographique
Résumé
OBJECTIVES: There is a lack of guidance on the management of febrile neutropenia in otherwise healthy children, including the need for hospitalization and antibiotic administration, leading to significant practice variation in management. The aim of this initiative was to decrease the number of unnecessary hospitalizations and empirical antibiotics prescribed by 50% over a 24-month period for well-appearing, previously healthy patients older than 6 months presenting to the emergency department with a first episode of febrile neutropenia. METHODS: A multidisciplinary team of stakeholders was assembled to develop a multipronged intervention strategy using the Model for Improvement. A guideline for the management of healthy children with febrile neutropenia was created, coupled with education, targeted audit and feedback, and reminders. Statistical control process methods were used to analyze the primary outcome of the percentage of low-risk patients receiving empirical antibiotics and/or hospitalization. Balancing measures included missed serious bacterial infection, emergency department (ED) return visit, and a new hematologic diagnosis. RESULTS: Over the 44-month study period, the mean percentage of low-risk patients hospitalized and/or who received antibiotics decreased from 73.3% to 12.9%. Importantly, there were no missed serious bacterial infections, no new hematologic diagnoses after ED discharge, and only 2 ED return visits within 72 hours without adverse outcomes. CONCLUSIONS: A guideline for the standardized management of febrile neutropenia in low-risk patients increases value-based care through reduced hospitalizations and antibiotics. Education, targeted audit and feedback, and reminders supported sustainability of these improvements.
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) | 0,000 | 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 ».