Systematic review: What is the impact of triage implementation on clinical outcomes and process measures in low‐ and middle‐income country emergency departments?
Notice bibliographique
Résumé
INTRODUCTION: Triage is widely regarded as an essential function of emergency care (EC) systems, especially in resource-limited settings. Through a systematic search and review of the literature, we investigated the effect of triage implementation on clinical outcomes and process measures in low- and middle-income country (LMIC) emergency departments (EDs). METHODS: Structured searches were conducted using MEDLINE, CENTRAL, EMBASE, CINAHL, and Global Health. Eligible articles identified through screening and full-text review underwent risk-of-bias assessment using the Newcastle-Ottawa Scale. The quality of evidence for each effect measure was summarized using GRADE. RESULTS: Among 10,394 articles identified through the search strategy, 58 underwent full-text review and 16 were included in the final synthesis. All utilized pre-/postintervention methods and a majority were single center. Effect measures included mortality, waiting time, length of stay, admission rate, and patient satisfaction. Of these, ED mortality and time to clinician assessment were evaluated most frequently. The majority of studies using these outcomes identified a positive effect, namely a reduction in deaths and waiting time among patients presenting for EC. The quality of the evidence was moderate for these measures but low or very low for all other outcomes and process indicators. CONCLUSIONS: There is moderate quality of evidence supporting an association between the introduction of triage and a reduction in deaths and waiting time. Although the available data support the value of triage in LMIC EDs, the risk of confounding and publication bias is significant. Future studies will benefit from more rigorous research methods.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 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 ».