Factors Influencing Time-to-OR for Urgent Tracheotomy: A Scoping Review
Notice bibliographique
Résumé
OBJECTIVE: To identify factors influencing time-to-operating room and time-to-airway intervention in urgent tracheotomy and synthesize strategies to reduce delays in airway emergencies. METHODS: A scoping review was conducted following the Joanna Briggs Institute framework and reported according to PRISMA-ScR guidelines. MEDLINE, Embase, Scopus, Web of Science, and Google Scholar were searched from inception to June 2024. Eligible studies involved adults (≥18 years) undergoing urgent tracheotomy for airway obstruction due to malignancy or infection. Trauma, angioedema, laryngotracheal stenosis, post-radiation edema, and vocal fold paralysis were excluded to reduce heterogeneity and focus on institutional/system-level factors. RESULTS: Of 1339 records identified, 3 studies (n = 531 patients) met the inclusion criteria. Dyspnea and stridor were the most common presenting symptoms. Malignancy and deep neck infection accounted for most indications. Reported delays were related to operating room access, staffing shortages, and coordination challenges. Complication rates ranged from 8% to 28%, with hemorrhage and infection most frequent; no deaths were directly attributed to tracheotomy. Decannulation rates were higher in non-malignant than in malignant cases. CONCLUSIONS: Urgent tracheotomy for airway obstruction due to malignancy or infection is time-sensitive, with delays shaped by institutional barriers. Standardized protocols, improved staffing, simulation-based training, and rapid-response teams represent actionable strategies to enhance airway emergency readiness and outcomes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».