Predictors of Clinical Deterioration of Hospitalized Adult Medical Patients
Notice bibliographique
Résumé
Clinical deterioration of hospitalized medical patients negatively affects patient outcomes and hospital capacity. Failure to recognize and respond promptly to an individual's worsening health status can lead to complications with far-reaching impacts on the patient and family. The ability to identify patient cues that can predict clinical deterioration is an essential role for frontline health-care providers to avert an avoidable health crisis. This protocol is designed to describe an integrative literature review plan that aims to identify, analyze, and synthesize the predictors and associated factors underlying the clinical deterioration of hospitalized medical ward patients. This planned review will follow the methodology of Whittemore and Knafl (2005), which comprises five stages: problem identification, literature search, data evaluation, data analysis, and presentation. CINAHL Plus, Embase, and PubMed databases will be used in the literature search. Primary research studies focusing on the predictors or the associated factors of clinical deterioration among medical ward patients will be eligible for the review. The quality of selected articles will be critically appraised using the Joanna Briggs Institute tools. The process of findings synthesis will be conducted according to Miles and Huberman (1994), which consists of data reduction, data display, data comparison, conclusion drawing, and verification. The findings will be presented as major themes that are supported by the appropriate primary studies.
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 | 0,001 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».