Les passages non justifiés au service d'accueil urgences : Proposition d'une offre de soins différenciée.
Bibliographic record
Abstract
Resume Objectif Le nombre de passage aux urgences dans les etablissements hospitaliers publics en France augmente tous les ans. L’adequation entre l’admission au service accueil-urgence (SAU) et l’etat clinique du patient doit etre verifiee dans le but de tenter une maitrise en amont du SAU. Methode Une etude prospective a ete effectuee au SAU du CHU de Nantes afin d’evaluer la proportion de patients susceptibles de beneficier d’une hospitalisation directe, programmee dans un service de Medecine specialisee ou polyvalente. Resultats Cette proportion est de 10 %. Soixante-treize pour cent des patients sont âges de plus de 60 ans. Ils sont adresses dans 77 % des cas par leur medecin traitant et dans 10,4 % des cas par le medecin de garde. Ils ont dans 33 % des cas des pathologies medicales non specifiques d’organe, dans 20 % des cas des affections dermatologiques, dans 12 % des cas des infections broncho-pulmonaires et dans la meme proportion des pathologies rhumatologiques, les autres affections etant plus rares. Commentaires Les resultats de cette etude doivent etre confirmes par une etude pilote ou le medecin generaliste fera hospitaliser directement en medecine, sans passage par le SAU, des patients qu’il aurait eu l’intention d’adresser au SAU. Pour ce faire, il contactera, sur un telephone portable, le medecin hospitalier qui se chargera de trouver le lit d’hospitalisation. L’impact sur le SAU de cette nouvelle modalite d’hospitalisation sera evalue en terme de nombre d’admissions evitees au SAU.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.039 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".