The development and implementation of an evidence-based risk reduction algorithm for post-extubation dysphagia in intensive care
Notice bibliographique
Résumé
Intubation and mechanical ventilation are often required to support critically ill patients. These are life-sustaining measures and when they are no longer necessary, patients need to be carefully transitioned back to breathing, eating, and talking on their own. Post-extubation dysphagia is defined as swallowing difficulty following extubation. This condition can affect up to 87% of critically ill patients and can cause serious health complications such as aspiration pneumonia, which could require re-intubation, prolonged intensive care stays and increased in-hospital mortality. Currently, many extubated patients are trialed with oral intake without dysphagia screening or kept with nothing by mouth pending speech language pathology evaluation. This is not only a source of discomfort and distress for patients, families, and staff but can lead to malnutrition and dehydration, and puts patients at risk for aspiration. Systematically screening extubated patients for dysphagia is an opportunity to improve practice by enabling nurses to advocate for the safe and timely resumption of oral intake. A novel, evidence-based algorithm, called SAPE (Swallowing Algorithm Post-Extubation) was developed by an interdisciplinary critical care team to assist nurses to identify risk factors for post extubation dysphagia and help make evidence-informed decisions regarding referral to speech-language pathology and initiation of per os intake in the absence of a water swallow test. SAPE was implemented in four tertiary-level medical and/or surgical intensive care units. Process and outcome measures of a quality improvement initiative are discussed, and future directions proposed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».