Early Mobilization Protocols in Critically Ill Pediatric Patients: A Scoping Review of Strategies, Tools and Perceived Barriers
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVES: We will describe the early mobilization protocols applied to critically ill pediatric patients in PICUs, analyzing the strategies employed, the tools used, and the barriers perceived by the healthcare team during their implementation. METHODS: The scoping review followed the guidelines established by PRISMA-ScR. A search was conducted across five electronic databases: PubMed, Scopus, Web of Science, Dimensions AI, and ScienceDirect. Articles published in English that focused on pediatric patients aged 0 to 18 years were included. RESULTS: A total of 3508 records were initially identified, of which 3422 articles were evaluated after duplicate removal. Subsequently, 12 studies that met the inclusion criteria were included. The methodological quality of the studies was mostly adequate, with 71.43% achieving scores between eight and nine on the Newcastle-Ottawa scale and 50% of the randomized clinical trials obtaining the maximum score of 7/7 on the Jadad scale. The interventions analyzed, including active bed mobility, bed cycling, and virtual reality, showed positive results in terms of feasibility and safety. The most frequently reported barriers to mobilization were hemodynamic instability, excessive sedation, pain, and lack of personnel and equipment. CONCLUSIONS: Early mobilization in pediatric PICUs is linked to improvements in mobility, reduced hospital stays, and shorter mechanical ventilation duration. However, its implementation is limited by barriers such as hemodynamic instability, excessive sedation, and lack of personnel and equipment. Further research is needed to establish uniform protocols, reduce these barriers, and optimize their effectiveness.
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 | 0,000 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».