Assessing the Impact of Waiting Time on Triage Color Code Assignment and One‐Year Mortality in the Emergency Department: A Causal Mediation Analysis
Notice bibliographique
Résumé
Background and Aims: Emergency Department (ED) overcrowding and delays in care affect patient outcomes. While triage systems prioritize care based on urgency, the role of waiting time in mediating the relationship between triage color codes and 1-year mortality remains unclear. This study investigates this mediation effect to improve triage protocols and patient outcomes. Methods: A retrospective cohort study was conducted using data from the Fondazione Policlinico Universitario Agostino Gemelli IRCCS ED (2014-2018). The sample included patients assigned green and yellow triage codes, excluding red and white ones. The outcome was 1-year mortality; the mediator was waiting time, defined as the delay between triage assignment and medical evaluation. Causal mediation analysis estimated direct, indirect, and total effects, with sensitivity analyses assessing robustness to unmeasured confounding. Results: Among 56,284 observations, older patients and yellow-coded individuals showed higher 1-year mortality. Waiting time did not significantly mediate the relationship between triage code and mortality (ACME OR: 1.001, 95% CI: 0.999-1.002). Triage code, however, had a direct significant effect on mortality (ADE OR: 1.01, 95% CI: 1.004-1.007). Waiting time mediated a small proportion of the effect (3.4%-13.9%). Sensitivity analyses indicated the mediation effect was sensitive to unmeasured confounding. Conclusions: Triage color code strongly predicts 1-year mortality, independent of waiting time within standard thresholds. For lower-acuity cases, reducing waiting time further may not improve long-term outcomes. Future research should validate these findings across multicenter settings and explore Italy's updated five-color triage system to optimize care delivery.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».