Improving appropriate use of intravenous albumin: results of a single-centre audit and multifaceted intervention
Notice bibliographique
Résumé
BACKGROUND: Intravenous albumin has limited indications supported by randomised controlled trials, yet it is often prescribed for indications not supported by evidence. AIM: To reduce unnecessary transfusion of albumin. INTERVENTIONS: Under the leadership of a multidisciplinary quality improvement team, evidence-based recommendations were disseminated in tandem with a new electronic order set, an educational strategy, qualitative interviews with prescribers and a return policy change to reduce wastage. IMPLEMENTATION AND EVALUATION: Interventions were introduced in a staggered fashion. The primary outcome, appropriate use of albumin, was monitored and quantified using pre-intervention and post-intervention audits. Process measures included statistical process run charts of monthly usage of 5% and 25% albumin and wastage. Data on length of stay (hospital and intensive care), new inpatient starts on kidney replacement and mortality were collected as balancing measures. RESULTS: Appropriate albumin usage based on indication increased from 30% to 50% (p<0.0001). There was significantly less overall albumin usage in the post-intervention period compared with the pre-intervention period (negative coefficient, p<0.0001), driven by a major reduction in the utilisation of the 5% formulation (p<0.0001). Overall albumin usage was significantly lower in the post-intervention period, decreasing from 800 to 450 vials per month. The intervention resulted in significantly less wastage (negative coefficient, p=0.017). Mortality, length of stay and new starts on kidney replacement therapy remained constant throughout the study period. CONCLUSION: Improved prescribing of albumin was achieved with a multifaceted approach. Substantial and sustained reductions in usage were achieved without negatively impacting patient-important outcomes. The estimated annual savings for the purchase cost of albumin was CAN $300 000. We provide a structured process for other organisations to optimise their use of albumin.
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 | 0,039 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».