Prise en charge du délirium chez les personnes âgées à l’urgence
Bibliographic record
Abstract
Pour une majorité de personnes âgées, le département d’urgence représente la principale porte d’entrée pour des soins de santé. Lorsqu’elles arrivent à l’urgence, dix pour cent des personnes âgées présentent déjà un délirium. De plus, près de 30 % des personnes âgées développent un délirium durant leur séjour à l’urgence. Cela fait donc du département d’urgence un lieu clé dans la détection des atteintes cognitives auxquelles les personnes âgées sont vulnérables. Des maladies infectieuses, telles que la maladie à coronavirus (COVID-19), favorisent d’ailleurs l’apparition d’un délirium chez les personnes âgées. Le délirium complique leur rétablissement en causant des atteintes fonctionnelles et cognitives en plus d’augmenter significativement leur risque de mortalité. À ce titre, il est essentiel de détecter rapidement le délirium et de mettre en place des interventions pour en diminuer les effets délétères. Les infirmiers et les infirmières offrant des soins dans les départements d’urgence sont donc les professionnels de la santé les mieux positionnés pour détecter précocement cette maladie et intervenir, puisqu’ils ont un rôle d’évaluation de l’état de santé physique et mental et assurent une présence au chevet 24 heures sur 24. Dans le présent article, nous discutons des outils pouvant soutenir la détection du délirium par les infirmiers et infirmières des départements d’urgence ainsi que des interventions pour le prévenir ou en diminuer les effets délétères.
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 | 0.001 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".