Decreasing inconsistent alarms notifications: a pragmatic clinical trial in a post-anesthesia care unit
Notice bibliographique
Résumé
BACKGROUND: Alarms alert healthcare professionals of deviations from normal/physiologic status. However, alarm fatigue may occur when their high pitch and diversity overwhelm clinicians, possibly leading to alarms being disabled, paused, and/or ignored. We aimed to determine whether a staff educational program on customizing alarm settings of bedside monitors may decrease inconsistent alarms in the Post-Anesthesia Care Unit (PACU). METHODS: This is a prospective, analytic, quantitative, pragmatic, open-label, single-arm study. The outcome was evaluated on PACU admission before (P1) and after (P2) the implementation of the educational program. The heart rate, blood pressure, and oxygen saturation alarms were selected for clinical consistency. RESULTS: A total of 260 patients were included and 344 clinical alarms collected, with 270 (78.4%) before (P1), and 74 (21.6%) after (P2) the intervention. Among the 270 alarms in P1, 45.2% were inconsistent (i.e., false alarms), compared to 9.4% of the 74 in P2. Patients with consistent alarms occurred in 30% in the P1 and 27% in the P2 (p = 0.08). Patients with inconsistent alarms occurred in 25.4% in the P1 and in 3.8% in the P2. Ignored consistent alarms were reduced from 21.5% to 2.6% (p = 0.004) in the P2 group. The educational program was a protective factor for the inconsistent clinical alarm (OR = 0.11 [95% CI 0.04-0.3]; p < 0.001) after adjustments for age, gender, and ASA physical status. CONCLUSION: Customizing alarm settings on PACU admission proved to be a protective factor against inconsistent alarm notifications of multiparametric monitors.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».