The Impact of Location and Asset Type on the Success of Advanced Airway Management in a Critical Care Transport Environment
Notice bibliographique
Résumé
OBJECTIVE: Advanced airway management (AAM) is a critical component of prehospital critical care. Airway management in flight can be more challenging because of spatial, ergonomic, and environmental factors. This study examines the frequency of in-flight intubation (IFI), first-pass success (FPS) rates, and definitive airway sans hypoxia/hypotension on first attempt (DASH-1A) across different locations of airway management. METHODS: We conducted a retrospective database analysis of all patients transported between January 2016 and July 2021 who received AAM from a single air medical service. Patient records were reviewed for location of intubation, patient characteristics, and FPS and DASH-1A rates. The primary outcome was the frequency of IFI. The secondary outcomes included FPS and DASH-1A rates by location and type of transport asset. RESULTS: During the study period, 473 patients required AAM. Three percent (15/473) of patients were intubated in an in-flight setting, 28% (130/473) were intubated on scene, and 70% (328/473) were intubated in a health care facility. The primary reason for IFI was unanticipated cardiac arrest or clinical deterioration. The overall FPS rate was 69% (328/473), and the DASH-1A rate was 49% (194/399). Based on the location of AAM, the FPS and DASH-1A rates were the lowest for on-scene intubations (56% [74/130] and 27% [20/74], respectively). Most of the on-scene AAM took place with rotor wing flight crews. CONCLUSION: Airway management occurs infrequently in an in-flight setting and is necessary because of patient deterioration or cardiac arrest. Based on our results, we identified opportunities for targeted AAM quality improvement and clinical governance.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».