Early Rehabilitation Bundle in a Canadian PICU: Cost Analysis of Implementation in 2018–2020
Notice bibliographique
Résumé
OBJECTIVES: First, to determine the resources and costs required to implement an early rehabilitation (ABCDEF) bundle. Second, to compare the impact of the bundle on costs pre- and post-implementation. DESIGN AND SETTING: Cost analysis was conducted as part of an implementation study at McMaster Children's Hospital PICU in 2018-2020. MEASUREMENTS AND MAIN RESULTS: Resource estimates for all implementation activities from 2018 to 2020 were calculated from material costs and hours spent by personnel multiplied by wages. PICU and patient-level costs before (from January 2019 to March 2019) and after bundle implementation (from January 2020 to March 2020) were compared using case-costing data. Linear regression was used to analyze log-transformed costs adjusted for age, sex, and severity of illness score. Costs are reported in Canadian dollars (CAD). A total of 907 hours were spent over a 2-year implementation period, at an estimated cost of CAD 50,813. Physicians contributed the most hours, followed by the nurse educator and pharmacist. Material costs were CAD 860. There were 141 patients pre-implementation and 84 patients post-implementation in the analyses. Adjusted mean PICU cost per patient was CAD 17,342 and CAD 20,310, pre- to post-implementation, respectively; mean difference (95% CI) between post- and pre-implementation was 17% higher (95% CI, from 6.3% lower to 46% higher). Adjusted mean pharmacy cost per patient was CAD 834 pre-implementation and CAD 827 post-implementation; mean difference of 0.8% lower post-implementation (95% CI, from 27% lower to 35% higher). CONCLUSIONS: Implementation of the ABCDEF bundle requires significant time and collaboration of key stakeholders. There was no impact on PICU or patient costs following bundle implementation, but the period of observation was limited by COVID-19. Future studies should include cost analyses that incorporate longer-term, patient-centered health outcomes to determine whether this intervention is cost-effective.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».