MétaCan
Menu
Retour à la cohorte
Enregistrement W4387380671 · doi:10.1210/jendso/bvad114.728

THU293 Enhancement Of Best Practices In Diabetic Ketoacidosis Management Using Standardized Order-sets vs Individual Practitioner Orders

2023· article· en· W4387380671 sur OpenAlexaffabout
Carly Yim, Qinghao Li, Terra Arnason

Notice bibliographique

RevueJournal of the Endocrine Society · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Research
Établissements canadiensUniversity of SaskatchewanWestern University
Organismes subventionnairesnon disponible
Mots-clésDiabetic ketoacidosisMedicineDiabetes mellitusDiabetes managementPediatricsBicarbonateKetoacidosisType 1 diabetesEmergency medicineIntensive care medicineInternal medicineEndocrinologyType 2 diabetes

Résumé

récupéré en direct d'OpenAlex

Abstract Disclosure: C. Yim: None. Q. Li: None. T.G. Arnason: None. Diabetic ketoacidosis (DKA) is a hyperglycemic emergency occurring in diabetics due to insulin deficiency. This results in urinary losses of water and electrolytes (sodium, potassium, chloride) and ultimately extracellular fluid volume depletion. Hallmark features of DKA include ketoacidosis, arterial pH < 7.3, bicarbonate <15 mmol/L and an anion gap of >12 mmol/L. The 2018 Diabetes Canada (DC) guidelines outline the key steps of DKA management including fluid resuscitation, resolution of ketoacidosis, correction of electrolytes and management of precipitating factors. Its detailed algorithm identifies three pillars to DKA treatment: IV fluids, serum potassium and acidosis. A 2016 DKA outcome audit at the Royal University Hospital (RUH) in Saskatoon identified that practitioners diverged considerably from (2013) Canadian Diabetes Association guidelines. Subsequently, two standardized preprinted DKA order sets were developed incorporating the 2018 DC recommendations for i) INITIAL and ii) MAINTENANCE DKA management. Their rollout overlapped with annual academic half day sessions on DKA management for postgraduate year 1 residents in internal medicine. These order-sets were initially implemented at RUH in November 2018 and subsequently adopted by some practitioners at St. Paul’s Hospital (SPH). To ensure the order-sets were promoting improved outcomes and adhering to best practices, a retrospective chart review was conducted of all adult DKA admissions at RUH and SPH from Nov. 13, 2018 to December 31, 2020. In total, 279 hospital admissions were reviewed: 99 used practitioners’ own orders, 115 used both initial and maintenance order-sets, 26 used only the initial order-set and 38 used only the maintenance order-set. Use of the INITIAL order set significantly improved compliance (p < 0.0001) with DC 2018 guidelines for recommended insulin dose and timing, fluid resuscitation as well as potassium, sodium and dextrose replacement. Use of the MAINTENANCE order set consistently enhanced outcomes for intravenous fluid selection, subcutaneous insulin overlap, and ensuring a closed anion gap at transition (p < 0.0001). Additionally, the chart review revealed that there were hospital differences for uptake of order sets and compliance to DC 2018 guidelines. There was a significant uptake of order sets at RUH versus SPH (p < 0.0001). RUH consistently met outcomes for appropriate insulin dosing, potassium and dextrose replacement (p < 0.0001). RUH also consistently overlapped IV and SC insulin and ensured a closed insulin gap. The anion gap remained consistently closed post-transition at RUH versus SPH (p = 0.035). These results suggest that utilization of a DKA order set does significantly promote adherence to key best practices outlined in the DC 2018 guidelines. Presentation: Thursday, June 15, 2023

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,149
Score d'incertitude au seuil0,407

Scores Codex et Gemma par catégorie

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

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 Opus0,073
Tête enseignante GPT0,386
Écart entre enseignants0,313 · 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 tête enseignante, 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'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of the Endocrine SocietyMême sujetDiabetes Management and ResearchTravaux en français237 207