A survey of the workload generated by older surgical patients referred to on-call medical registrars—SNAP-3
Notice bibliographique
Résumé
Background: Older surgical patients who develop medical problems are commonly referred to medical teams, which can be proactive physician-led teams or through reactive referral to the on-call medical registrar. Methods: A cross-sectional survey of on-call medical registrars who received referrals from surgical teams was conducted in March-June 2022 at 140 NHS hospitals. It focused on the workload derived from referrals of older surgical patients to on-call medical registrars, excluding referrals to existing services such as perioperative medicine, orthogeriatric, or medical specialty teams. To minimise recall bias, completion of the survey was encouraged regardless of whether a registrar had received a referral. The aim of this survey was to estimate the unplanned, acute workload generated by older surgical patients requiring referral to on-call medical registrars. The survey also aimed to estimate the prevalence and nature of training in perioperative medicine amongst medical registrars. Results: During an on-call shift, 41.3% (266/644) of medical registrars received at least one referral regarding an older surgical patient. The commonest indications were arrhythmia, acute respiratory problems, electrolyte abnormalities, suspected myocardial infarction, sepsis, and delirium. Three-quarters of registrars reported not receiving training in perioperative management of older patients. Conclusions: The findings highlight the significant workload and training gaps faced by medical registrars in managing older surgical patients. Bridging the gap between national recommendations and local services may reduce demands on on-call registrars and improve care.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».