National ICU Registries as Enablers of Clinical Research and Quality Improvement
Notice bibliographique
Résumé
OBJECTIVES: Clinical quality registries (CQRs) have been implemented worldwide by several medical specialties aiming to generate a better characterization of epidemiology, treatments, and outcomes of patients. National ICU registries were created almost 3 decades ago to improve the understanding of case-mix, resource use, and outcomes of critically ill patients. This narrative review describes the challenges, proposed solutions, and evidence generated by National ICU registries as facilitators for research and quality improvement. DATA SOURCES: English language articles were identified in PubMed using phrases related to ICU registries, CQRs, outcomes, and case-mix. STUDY SELECTION: Original research, review articles, letters, and commentaries, were considered. DATA EXTRACTION: Data from relevant literature were identified, reviewed, and integrated into a concise narrative review. DATA SYNTHESIS: CQRs have been implemented worldwide by several medical specialties aiming to generate a better characterization of epidemiology, treatments, and outcomes of patients. National ICU registries were created almost 3 decades ago to improve the understanding of case-mix, resource use, and outcomes of critically ill patients. The initial experience in European countries and in Oceania ensured that through locally generated data, ICUs could assess their performances by using risk-adjusted measures and compare their results through fair and validated benchmarking metrics with other ICUs contributing to the CQR. The accomplishment of these initiatives, coupled with the increasing adoption of information technology, resulted in a broad geographic expansion of CQRs as well as their use in quality improvement studies, clinical trials as well as international comparisons, and benchmarking for ICUs. CONCLUSIONS: ICU registries have provided increased knowledge of case-mix and outcomes of ICU patients based on real-world data and contributed to improve care delivery through quality improvement initiatives and trials. Recent increases in adoption of new technologies (i.e., cloud-based structures, artificial intelligence, machine learning) will ensure a broader and better use of data for epidemiology, healthcare policies, quality improvement, and clinical trials.
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 | 0,346 | 0,443 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,012 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,015 | 0,030 |
| Science ouverte | 0,004 | 0,022 |
| Intégrité de la recherche | 0,005 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».