MétaCan
Menu
Retour à la cohorte
Enregistrement W4381386296 · doi:10.1017/s1049023x23002674

The Impact of Previous Disasters on Hospital Disaster Surge Capacity Preparedness in Finland

2023· article· en· W4381386296 sur OpenAlexaff
Anna Kerola, Eero Hirvensalo, Jeffrey Michael Franc

Notice bibliographique

RevuePrehospital and Disaster Medicine · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésSurge CapacityPreparednessChecklistMass-casualty incidentMedical emergencyEmergency managementMedicineTriageOccupational safety and healthEmergency medicineInjury preventionPoison controlDisaster preparednessCoronavirus disease 2019 (COVID-19)PsychologyPolitical science

Résumé

récupéré en direct d'OpenAlex

Introduction: In a disaster, the number of victims and severity of injuries may overwhelm the treatment capacity of the local hospital. Surge capacity is the hospital’s ability to receive and treat an increased number of patients. This study aimed to explore if a past disaster or mass casualty incident (MCI) affects local hospital surge capacity preparedness. Method: The current hospital preparedness plans (HPPs) of University and central hospitals receiving surgical emergency patients in Finland were collected (n=28). The HPPs were read and analyzed using the World Health Organization (WHO) hospital emergency checklist tool with eight key components and 67 action items. The scores of key components were compared by percentage of the maximum score. The surge capacity score was compared between the hospitals that had been exposed to a disaster or MCI with those who had not. The effective level was considered as 70% of total points. Results: The overall median score of all key components was 76% (range 24%). The highest score was in command and control (median 93%, range 29%) and the lowest in post-disaster preparedness (median 50%, range 90%). The median surge capacity score was 65% (range 39%). There has been 12 disasters or MCIs during the past 25 years in Finland, all anthropogenic. There was no statistical difference between the surge capacity score of the hospitals with a history of a disaster or MCI compared to those without (65% for both, p=0.735). Conclusion: In Finland, the overall hospital preparedness level is effective with command and control being the best covered area. Surge capacity preparedness was below the effective level and it was not affected by a past disaster or MCI. Present-day challenges with the lack of resources in the health care system, more attention should be drawn to the surge capacity aspect in hospital preparedness plans.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,401
Écart entre enseignants0,351 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePrehospital and Disaster MedicineMême sujetDisaster Response and ManagementTravaux en français237 207