Triage is a mainstay of early mass casualty incident (MCI) management. Standardized triage protocols aim at providing valid and reproducible results and, thus, improve triage quality. To date, there is little data supporting the extent and content of training and re-training on using such triage protocols within the Emergency Medical Services (EMS). The study objective was to assess the decline in triage skills indicating a minimum time interval for re-training. In addition, the effect of a one-hour repeating lesson on triage quality was analyzed. A dummy based trial on primary MCI triage with yearly follow-up after initial training using the ASAV algorithm (Amberg-Schwandorf Algorithm for Primary Triage) was undertaken. Triage was assessed concerning accuracy, sensitivity, specificity, over-triage, under-triage, time requirement, and a comprehensive performance measure. A subgroup analysis of professional paramedics was made. Nine hundred ninety triage procedures performed by 51 providers were analyzed. At 1 year after initial training, triage accuracy and overall performance dropped significantly. Professional paramedic’s rate of correctly assigned triage categories deteriorated from 84 to 71%, and the overall performance score decreased from 95 to 90 points (maximum = 100). The observed decline in triage performance at 1 year after education made it necessary to conduct re-training. A brief didactic lecture of 45 min duration increased accuracy to 88% and the overall performance measure to 97. To improve disaster preparedness, triage skills should be refreshed yearly by a brief re-education of all EMS providers.

/pdf/primary-mass-casualty-incident-triage-evidence-for-the-3flpxenpum.pdf

Primary mass casualty incident triage: evidence for the benefit of yearly brief re-training from a simulation study.

Objective: The objective of this study was to evaluate the effects of the decision support tool (DST) on the assessment of the acutely ill or injured out-of-hospital patient.Methods: This study inc ...

/pdf/decision-support-tool-in-prehospital-care-a-systematic-18hm1d70y9.pdf

Decision Support Tool in Prehospital Care : A systematic Review of Randomized Trials

Hintergrund
Seit der Veroffentlichung des ersten Sichtungsalgorithmus fur einen Massenanfall von Verletzten und Erkrankten vor ca. 30 Jahren wurde eine Vielzahl von Varianten und Alternativen vorgestellt, die in verschiedenen Formen weltweit zur Anwendung kommen. Diese Vielfalt kann eine Herausforderung fur die rettungsdienstbereichs- bzw. tragerubergreifende Zusammenarbeit bedeuten, die beim Massenanfall haufig erforderlich ist. Um diese Zusammenarbeit zu verbessern, wird eine Vereinheitlichung der Sichtungskonzepte gefordert.

Sichtungskonzepte bei Massenanfällen von Verletzten und Erkrankten

Jungste Grosschadenslagen verdeutlichen, wie entscheidend die korrekte Einstufung von Patienten entsprechend ihrer Behandlungs- und Transportdringlichkeit fur das Uberleben und die Lebensqualitat ist. Diese Studie pruft internationale Vorsichtungsverfahren hinsichtlich Sensitivitat (SE) und Spezifitat (SP) sowie ihres Zeitbedarfs in einem notfallmedizinisch relevanten Patientengut. Funfhundert konsekutive Luftrettungseinsatze wurden anhand der Einsatzdokumentation ausgewertet. Die Eingruppierung der Patienten erfolgte interdisziplinar durch 19 Notfallmediziner. Jedes Protokoll wurde durch mindestens 3 Sichter unabhangig voneinander und ohne Verwendung von Vorsichtungsalgorithmen nach Sichtungskategorie (SK) klassifiziert. Die Algorithmen der Vorsichtungsverfahren PRIOR (Primares Ranking zur Initialen Orientierung im Rettungsdienst), mSTaRT („modified Simple Triage and Rapid Treatment“), FTS („Field Triage Score“), ASAV (Amberg-Schwandorf Algorithmus fur die Vorsichtung), STaRT („Simple Triage and Rapid Treatment“), Care Flight, Triage Sieve wurden fur jeden Patienten computergestutzt durchlaufen, um Testgutekriterien fur alle Verfahren zu erheben. Die Kohorte hatte ein Alter (MW ± SD) von 59 ± 25 Jahren, einen National Advisory Committee for Aeronautics (NACA) Score von 3,5 ± 1,1 und bestand zu 57 % aus Mannern. Bei Eintreffen waren 8 Patienten bereits verstorben, sodass 492 Patienten in die weitere Analyse eingeschlossen wurden. Die prozentuale Verteilung der SK I/II/III war 10 %/47 %/43 %. Die hochste diagnostische Gute zeigten die Verfahren START, mSTaRT und ASAV mit 78 %iger SE und einer SP von 80 bis 83 %. Dabei erreichten chirurgische Patienten eine SE von 95 % und eine SP von 85 bis 91 %. Das neu etablierte Verfahren PRIOR hatte insgesamt bei einer SE von 90 % lediglich eine SP von 54 % und lasst den grosten Gesamtzeitaufwand erwarten. Zur Identifikation der Schwerverletzten stehen etablierte Verfahren mit akzeptabler diagnostischer Gute zur Verfugung. Das PRIOR-Verfahren zeigte in unserer Studie eine hohe Rate falsch-positiver Ergebnisse (Ubertriage), was im Einsatz zu einer Uberbeanspruchung der Ressourcen fur die Schwerverletzten fuhren konnte und damit zur Unterversorgung der richtig-positiven SK-I-Falle. Internistische Krankheitsbilder werden nach wie vor qualitativ ungenugend eingestuft. Kostenloser Zugriff auf diesen Beitrag durch Free Access.

/pdf/diagnostic-quality-of-triage-algorithms-for-mass-casualty-4w7vsasbj1.pdf

Diagnostic quality of triage algorithms for mass casualty incidents

Regarding survival and quality of life recent mass casualty incidents again emphasize the importance of early identification of the correct degree of injury/illness to enable prioritization of treatment amongst patients and their transportation to an appropriate hospital. The present study investigated existing triage algorithms in terms of sensitivity (SE) and specificity (SP) as well as its process duration in a relevant emergency patient cohort. In this study 500 consecutive air rescue missions were evaluated by means of standardized patient records. Classification of patients was accomplished by 19 emergency physicians. Every case was independently classified by at least 3 physicians without considering any triage algorithm. Existing triage algorithms Primary Ranking for Initial Orientation in Emergency Medical Services (PRIOR), modified Simple Triage and Rapid Treatment (mSTaRT), Field Triage Score (FTS), Amberg-Schwandorf Algorithm for Triage (ASAV), Simple Triage and Rapid Treatment (STaRT), Care Flight, and Triage Sieve were additionally carried out computer based on each case, to enable calculation of quality criteria. The analyzed cohort had an age of (mean ± SD) 59 ± 25 years, a NACA score of 3.5 ± 1.1 and consisted of 57% men. On arrival 8 patients were deceased. Consequently, 492 patients were included in the analysis. The distribution of triage categories T1/T2/T3 were 10%/47%/43%, respectively. The highest diagnostic quality was achieved with START, mSTaRT, and ASAV yielding a SE of 78% and a SP ranging from 80–83%. The subgroup of surgical patients reached a SE of 95% and a SP between 85–91%. The newly established algorithm PRIOR exerted a SE of 90% but merely a SP of 54% in the overall cohort thereby consuming the longest time for overall decision. Triage procedures with acceptable diagnostic quality exist to identify the most severely injured. Due to its high rate of false positive results (over-triage) the recently developed PRIOR algorithm will cause overload of available resources for the severely injured within mass casualty incident missions. Non-surgical patients still are poorly identified by the available algorithms.

Diagnostic precision of triage algorithms for mass casualty incidents. English version

Bei einem Massenanfall von Verletzten ist eine Sichtung aller Patienten durch den leitenden Notarzt in einem medizinisch sinnvollen Zeitrahmen in der Regel nicht durchfuhrbar. Um die initiale Sortierung der Verletzten an die ersteintreffenden Rettungskrafte delegieren zu konnen, sind deshalb entsprechende Algorithmen notwendig. Die Sicherheit und Genauigkeit derartiger Konzepte sind jedoch nicht ausreichend validiert. Einsatzkrafte des Rettungsdienstes fuhrten am Unfallort prospektiv bei unfallverletzten Patienten eine Sortierung entsprechend mSTaRT (“modified simple triage and rapid treatment”) durch, in die Kategorien Rot, Gelb oder Grun (lebensbedrohlich, schwer oder leicht verletzt). Nach Aufnahme in die Notfallaufnahme bzw. in den Schockraum erfolgte eine Einteilung in Rot (kritisch verletzt), Gelb (stationar zu behandeln) und Grun (ambulant behandelbar). Als Hauptendpunkt wurden die Ubereinstimmung der praklinischen und klinischen Kategorisierungen sowie die Rate an Uber- bzw. Untertriage ausgewertet. Es konnten 151 unfallverletzte Patienten in die Pilotstudie eingeschlossen werden. Nach mSTaRT wurden 62,3% der Patienten korrekt kategorisiert, 27,1% unter- und 10,6% uberbewertet. In Bezug auf eine Ubertriage von kritisch verletzten Patienten zeigte sich, dass diese im Vergleich zu nichtkritisch verletzten Patienten mit einer 17,3fach hoheren Wahrscheinlichkeit als Rot kategorisiert wurden („positive likelihood ratio“ LR+ 17,3; 95% KI 3,8–795). Die Anwendung des Algorithmus fuhrte allerdings bei jedem zweiten kritisch verletzten Patienten zu einer Untertriage. In diesen Fallen bestanden klinisch relevante Schadelblutungen und -frakturen, die wegen der initial fehlenden Symptomatik durch den Algorithmus nicht erkannt werden konnten. Kritisch verletzte Patienten wurden deshalb im Vergleich zu nichtkritsch verletzten Patienten mit einer 0,51fach geringeren Wahrscheinlichkeit als Gelb eingestuft („negative likelihood ratio” LR- 0,51; 95% KI 0,22–0,83). Die Ergebnisse der Pilotstudie zeigen, dass bei Anwendung des mSTaRT-Algorithmus nur mit einer geringen Ubertriage zu rechnen ist. Lebensbedrohlich bzw. kritisch verletzte Patienten werden gegenuber nichtkritisch verletzten Patienten mit hoher Wahrscheinlichkeit als Rot kategorisiert. Patienten mit Schadel-Hirn-Trauma konnen durch den Algorithmus jedoch nicht eindeutig erfasst werden und mussen deshalb zur Vermeidung einer Untertriage weiteren Nachsichtungen zugefuhrt werden.

Validierung der Vorsichtung nach dem mSTaRT-Algorithmus

Handle everyday research tasks with reliable, citation-backed results

Your personal Research Agent to handle research tasks with citation-backed results

Popular Tasks used by Researchers

How can I help with your research?

Meet SciSpace

Get more enhanced response by uploading the PDFs you want me to reference.

No relevant PDFs in your library

SciSpace is the AI research assistant for academics. Run systematic literature reviews on 280M+ papers, and write papers with cited sources. Trusted by 1M+ students, PhDs & researchers.

SciSpace | AI for Research

Analyze PDFs

Code & Manuscripts

Funding & Grants

Literature & Patents

Medical & Clinical Data

Systematic Review

Visualize & Present

Web & Data

Build a Google Scholar-like website for your research.

Build a website

Create charts and images for your research

Create a Chart

Write a paper for submission to a journal

Draft a manuscript

Patent Search

Design eye-catching scientific posters in minutes.

Scientific Poster Generation

Systematic Literature Review

One task is running at the moment. Your messages will be shown right after.

Drag and drop or click here to browse

Loved by <highlight>1 million+</highlight> researchers

Extract a list of specific topics and their sources from unstructured text

Topics

Compare and analyze relevant papers that matches with your search

Papers

Get insights from PDFs and bookmarked papers from your library

My library

Recent searches

Try searching for:

Catch AI-generated content in scholarly and non-scholarly content

{ai} Detector

Ai Writer

Get PDF Summaries, highlighted text explanations 

Chat with PDF

Effortlessly create in-text citations and bibliographies in APA and 2,500 other formats

Citation generator

Get explanations, summaries, and answers on academic papers

Ease up your research workflow with {scispace}'s cohort of exciting AI tools

Elevate your academic writing skills and convey your ideas the way you want

Paraphraser

Explore our range of reading and writing tools

Your file is being prepared and should be ready in a few minutes. If it's a large file, it might take a bit longer. You can close this window, and we'll email you the file when it's done.

You have reached a maximum limit of <strong>{limit}</strong> columns in the table. Remove at least <strong>1</strong> column to add or create another one.

Y. Dierking

Author Tools

Chat about Author

Papers

Validierung der Vorsichtung nach dem mSTaRT-Algorithmus