Characteristics of intensive care unit registries - findings from the Global Registry ICU Datasets (GRID) survey
Notice bibliographique
Résumé
BACKGROUND: Intensive care unit registries, which aim to improve the quality of intensive care unit care through benchmarking and quality improvement initiatives, are active worldwide, with considerable dishomogeneity. We aimed to map core datasets, additional variables, and research activities of these registries. METHODS: A cross-sectional survey was disseminated to registry leads between October 2023 and June 2024. The survey was structured into four main topics: registry characteristics and coverage, core dataset features, additional modules, and registry-enabled research. RESULTS: Leads of 34/42 national registries responded (response rate 81%), covering 3,337 intensive care units, with a larger representation from South America. Systematized nomenclature of medicine, clinical terms, and customized categorical classifications were the main nomenclatures used. All registries except one employed a severity of illness score/risk prediction model. The SOFA score was reported by 88% of registries. Organ support measures were often recorded, including mechanical ventilation (97%), vasopressor administration (86%) and renal replacement therapy (86%). Three out of four intensive care unit registries coded interventions such as intubations, intravenous lines and tracheostomies. Additional datasets differed, with many use cases for nosocomial infection burden, bed availability and staffing resources. Over half of intensive care unit registries had current structured quality improvement initiatives. Registry-enabled observational research was reported in 46% of registries, while interventional studies were reported in only 22%. CONCLUSION: Over three thousand intensive care units in 35 countries participate in an intensive care unit registry. Despite heterogeneity in coding systems, risk models, and additional datasets, we identify several areas of convergence that may inform a future shared core dataset. There is potential for further intensive care unit registry-based research, particularly interventional.
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 | 0,011 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».