<scp>NOTICE</scp> ‐ <scp>ED</scp> : Nurse or Technician Insights Into Cognitive Evaluations in the Emergency Department
Notice bibliographique
Résumé
BACKGROUND: Several strategies have been proposed to increase chronic cognitive impairment (CI) screening in the emergency department (ED). Our goal was to assess the feasibility and acceptability of implementing specific CI screening tools and strategies in the ED from an ED registered nurse and technician perspective. METHODS: We performed a qualitative study using semi-structured interviews with a purposive sample of ED nurses and ED technicians (EDTs). Participants worked at an urban academic hospital and were interviewed between November 2023 and March 2024. Interviews assessed participants' opinions on the feasibility and acceptability of CI screening and the use of machine learning (ML) tools to identify high-risk patients for targeted CI screening, tablet-based screenings, and two validated CI screenings: the Ottawa 3DY (O3DY) and Short Blessed Test (SBT). We used the Consolidated Framework for Implementation Research (CFIR) to develop our interview guide and performed a rapid analysis with deductive and inductive codes based on CFIR constructs. RESULTS: Four major themes related to CI screening tools arose: (1) Benefits of CI screening; (2) feasibility of integrating screening tools into existing workflows; (3) professional role limitations; and (4) implementation requirements. Participants perceived CI screening as important for allocating limited ED resources. Shorter, less specific testing, including the O3DY, was seen as feasible during triage, while longer, more specific screening, including the SBT, was seen as more feasible in roomed care areas. Both ED nurses and EDTs identified the need for electronic health record tools and dedicated screening teams to facilitate implementation. CONCLUSION: ED nurses and EDTs support chronic CI screening if screening techniques and clinical teams can be optimized to make workflows feasible.
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 | 0,012 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».