Comparison of risk-adjusted cumulative quality control charts compared with standardized mortality ratios in critical care
Notice bibliographique
Résumé
PURPOSE: The optimal method for monitoring intensive care unit (ICU) performance is unknown. We sought to compare process control charts using standardized mortality ratio (SMR), p-charts, and cumulative sum (CUSUM) charts for detecting increases in risk-adjusted mortality within ICUs. METHODS: Using data from 17 medical-surgical ICUs that included 29,592 patients in Ontario, Canada, we created risk-adjusted p-charts and SMRs on monthly intervals and CUSUM charts. We defined positive signals as any data point that was above the 3-sigma limit (approximating a 99% confidence interval [CI]) on a p-chart, any data point whose 95% CI did not include 1 for the SMR charts, and when a data point exceeded control limits for an odds ratio of 1.5 for CUSUM charts. We simulated increases in mortality of 10%, 30%, and 50% for each ICU to determine the sensitivity of each method. We calculated sensitivity as the number of positive signals divided by the number of ICUs (equal to number of simulated events). RESULTS: Cumulative sum charts generated 31 signals in 12 different ICUs, while p-charts and SMR agreed in 10 and 6 of these signals, respectively, followed by 21 signals from p-charts across 14 ICUs (agreement in 10 of these signals for both CUSUM and SMR) and 15 signals from SMR charts across eight ICUs (agreement from p-charts and CUSUM in 10 and six signals, respectively). The p-chart had a sensitivity of 88% (95% CI, 73 to 104) for a 50% simulated increase in ICU mortality followed by CUSUM at 71% (95% CI, 49 to 102) and SMR at 59% (95% CI, 35 to 82). Performance with lower simulated increases was poor for all three methods. CONCLUSIONS: P-charts created with risk-adjusted mortality at monthly intervals are potentially useful tools for monitoring ICU performance. Future studies should consider usability testing with ICU leaders and application of these methods to additional clinical domains.
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 | 0,074 | 0,273 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».