Smart Discharges improves post-discharge mortality among children with suspected sepsis in Uganda: A prospective before-after study
Notice bibliographique
Résumé
Abstract Introduction Post-discharge mortality among children following an acute illness in low-resource settings is high and demands urgent attention. We aimed to assess the impact of Smart Discharges, a mortality prevention risk-differentiated approach to peri-discharge care among children under five years admitted with suspected sepsis. Methods We conducted a before-after two-phase study with staggered implementation at six hospitals in Uganda. During a baseline period (Phase-1), clinical prediction algorithms for post-discharge mortality were developed based on clinical and socio-demographic data collected at hospital admission. Outcomes, primarily mortality within six months of discharge, were compared against an interventional period (Phase-2). In the Smart Discharges intervention each family was given soap, a mosquito net, their risk category (low/medium/high/very high), counselling, and educational materials regardless of risk stratification, after which the intensity of recommended follow-up care was determined by age (0-6, 6-60 months) and predicted post-discharge mortality risk. Results Overall, 13,051 children were enrolled: Phase-1, n=6,955; Phase-2, n=6,096. Characteristics were similar between groups, including mean predicted post-discharge mortality risk (6.3% Phase-1 vs. 5.9% Phase-2). With Smart Discharges, 2,331/3,891 (59.9%) medium/high/very high-risk families attending all their scheduled visits. The observed post-discharge mortality rate was 439 (6.3%) in Phase-1 vs. 296 (4.9%) in Phase-2; adjusted hazard ratio 0.77 (95%CI 0.67 to 0.90) favouring the intervention. In Phase-1, 1,313 (18.9%) children were re-admitted to hospital vs. 1,024 (16.8%) in Phase-2. Conclusion A simple approach of risk assessment paired with education and engagement through scheduled follow-up after discharge is an appropriate strategy to improve child survival in low-resource settings.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».