Determining pre-procedure fasting alert time using procedural and scheduling data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Before a medical procedure requiring anesthesia, patients are required to not eat or drink non-clear fluids for 6 h and not drink clear fluids for 2 h. Fasting durations in standard practice far exceed these minimum thresholds due to uncertainties in procedure start time. The aim of this retrospective, observational study was to compare fasting durations arising from standard practice with different approaches for calculating the timepoint at which patients are instructed to stop eating and drinking. Scheduling data for procedures performed in the cardiac catheterization laboratory of an academic hospital in Canada (January 2020 to April 2022) were used. Four approaches utilizing machine learning (ML) and simulation were used to predict procedure start times and calculate when patients should be instructed to start fasting. Median fasting duration for standard practice was 10.08 h (IQR 3.5) for both food and clear fluids intake. The best performing alternative approach, using tree-based ML models to predict procedure start time, reduced median fasting from food/non-clear fluids to 7.7 h (IQR 2) and clear liquids fasting to 3.7 h (IQR 2.4). 97.3% met the minimum fasting duration requirements (95% CI 96.9% to 97.6%). Further studies are required to determine the effectiveness of operationalizing this approach as an automated fasting alert system.
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.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle