<b>Skin Rashes in Emergency Department Visits, Clinical Features, Differential Diagnoses, and Admission Rates: A Systematic Review</b>
Notice bibliographique
Résumé
Objective: To systematically review the epidemiology, clinical features, differential diagnoses, and outcomes of dermatological conditions presenting to emergency departments. Methods: A systematic review was conducted according to PRISMA guidelines. PubMed, Scopus, Web of Science, and Google Scholar were searched for studies published between 2011 and 2024. Eligible observational studies reporting on dermatological presentations in emergency departments were included. Data extraction and quality assessment were performed using the Newcastle–Ottawa Scale, and results were synthesized narratively. Results: Ten studies from the United States, Turkey, Saudi Arabia, and Germany were included, with sample sizes ranging from 204 to over 11,000 patients. Infections, urticaria, eczema, and drug eruptions were the most common presentations. Stevens–Johnson syndrome, toxic epidermal necrolysis, and severe drug reactions accounted for most admissions. Over 90% of patients were discharged without hospitalization. Admission rates ranged from 6% to 18%. Seasonal variation was observed in Saudi Arabia, while the COVID-19 pandemic shifted consultation patterns in Turkey. Teledermatology show effectiveness in diagnostic support, particularly in resource-limited settings. Conclusion: Most dermatological emergency department visits are non-urgent and can be managed on an outpatient basis. Early recognition of severity markers is essential to prevent adverse outcomes. Integration of standardized triage systems, physician training, and teledermatology can improve diagnostic accuracy, reduce inappropriate ED utilization, and optimize patient management.
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 | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».