El triaje en los servicios de urgencias hospitalarios españoles y mundiales
Bibliographic record
Abstract
Introducción/Justificación: El triaje hospitalario consiste en valorar clínicamente a los pacientes en función de su urgencia o gravedad y no según su orden de llegada a los servicios de urgencias hospitalarios. La implantación de un triaje estructurado útil, válido y reproducible es la apuesta de futuro para mejorar la calidad de los servicios de urgencias. Este triaje dispone de cinco niveles de priorización con unos tiempos de atención establecidos, los cuales se basan en categorías sintomáticas, discriminantes clave y algoritmos clínicos. El triaje es realizado por enfermería con o sin ayuda médica a través del procedimiento de recepción, acogida y clasificación. \nObjetivos: El objetivo general es describir los modelos de triaje existentes en los servicios de urgencias de los hospitales mundiales. \nMaterial y métodos: Se ha realizado una revisión bibliográfica de la literatura en diversas bases de datos, marcadores de búsqueda y revistas nacionales e internacionales. La información obtenida ha sido valorada en función a unos criterios de inclusión y exclusión establecidos. \nResultados: En la actualidad, se reconocen cinco modelos de clasificación de cinco niveles basados en el triaje estructurado e implantados en las áreas de urgencias: la Australian Triage Scale (ATS), el Canadian Emergency Department Triage and Acuity Scale (CTAS), el Manchester Triage System (MTS), el Emergency Severity Index (ESI) y el Sistema Español de Triaje (SET). Cada uno posee diferentes características básicas. Los modelos más utilizados en el territorio español son el SET y el MTS. El papel de la enfermería tiene una gran importancia en el ámbito del triaje. \nDiscusiones/Conclusiones: Los sistemas de triaje estructurados son los elegidos por sus propiedades en los servicios de urgencias. Los modelos mejor valorados son el SET y el MTS por sus características básicas. El triaje es realizado por enfermería debido a las ventajas proporcionadas.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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; both teacher heads agree on what is shown here.
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".