Prise en charge du délirium chez les personnes âgées à l’urgence
Notice bibliographique
Résumé
Pour une majorité de personnes âgées, le département d’urgence représente la principale porte d’entrée pour des soins de santé. Lorsqu’elles arrivent à l’urgence, dix pour cent des personnes âgées présentent déjà un délirium. De plus, près de 30 % des personnes âgées développent un délirium durant leur séjour à l’urgence. Cela fait donc du département d’urgence un lieu clé dans la détection des atteintes cognitives auxquelles les personnes âgées sont vulnérables. Des maladies infectieuses, telles que la maladie à coronavirus (COVID-19), favorisent d’ailleurs l’apparition d’un délirium chez les personnes âgées. Le délirium complique leur rétablissement en causant des atteintes fonctionnelles et cognitives en plus d’augmenter significativement leur risque de mortalité. À ce titre, il est essentiel de détecter rapidement le délirium et de mettre en place des interventions pour en diminuer les effets délétères. Les infirmiers et les infirmières offrant des soins dans les départements d’urgence sont donc les professionnels de la santé les mieux positionnés pour détecter précocement cette maladie et intervenir, puisqu’ils ont un rôle d’évaluation de l’état de santé physique et mental et assurent une présence au chevet 24 heures sur 24. Dans le présent article, nous discutons des outils pouvant soutenir la détection du délirium par les infirmiers et infirmières des départements d’urgence ainsi que des interventions pour le prévenir ou en diminuer les effets délétères.
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 | 0,007 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,006 |
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; les deux têtes enseignantes 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 ».