Methods of detection of adverse events in critical care: a protocol for a systematic review
Notice bibliographique
Résumé
INTRODUCTION: Adverse events, defined as unintended patient harm contributed to by healthcare, continue to increase morbidity, mortality and cost. Critically ill patients are at high risk of adverse events; however, the optimal approach to detection in this setting is unknown. Numerous approaches have been used, including voluntary reporting, chart reviews and trigger tools. The objective of this systematic review is to gain insight into the capacity of individual methods to detect adverse events in the intensive care unit (ICU), to inform implementation, and to facilitate quality improvement. METHODS AND ANALYSIS: Ovid MEDLINE, Ovid EMBASE, CINAHL, the Cochrane Library and Google Scholar were searched on 2 October 2023 for randomised controlled trials and observational studies evaluating the implementation or ongoing use of one or more systems of detection of adverse events in ICUs (neonatal to adult). Outcomes will include the total number of adverse events identified by detection method per 100 patient days (primary outcome), categories of adverse events, associated harm and whether detection informed quality improvement. A risk of bias assessment will be performed. The results will provide insight into each method's capacity to detect adverse events in addition to their associated severity. ETHICS AND DISSEMINATION: Ethics approval was not required as patient data will not be collected. A manuscript will be submitted to a peer-reviewed scientific journal. PROSPERO REGISTRATION NUMBER: CRD42024466584.
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 | 0,119 | 0,136 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,005 |
| Méta-épidémiologie (sens large) | 0,016 | 0,017 |
| Bibliométrie | 0,014 | 0,019 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,056 | 0,010 |
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 ».