• 随后的外ED访问的数量[时间范围：在初次相遇的7天内]
• 计划外的住院数量[时间范围：在初次相遇的7天内]
• 给出肺炎诊断的准确性[时间范围：通过研究完成，研究的第3年]
  由兼容的主要投诉（咳嗽，呼吸困难，胸痛，发烧）定义。 1肺炎症状/症状（温度38.0c或<36.0c，白细胞计数> 10,000/ul或<4000/ul），bandemia> 10％，SPO2 <90％的房间空气，呼吸速度> 20/分钟） 19和射线照相确认
• UCC肺炎患者转移率变化为ED [时间范围：通过研究完成，研究的第3年]
  我们想要减少。 EPNA群集中有3％的转移被直接住院或出院所取代。
• 使用更少的医疗保健资源[时间范围：通过研究完成，研究的第三年]

精心设计的临床决策支持（CDS）增强了临床医生准确诊断肺炎并选择最合适的治疗方案的能力。肺炎CDS历史上一直专注于住院环境，但肺炎患者量较高的门诊护理环境也可能受益。调查人员建议根据共识指南（EPNA）调整创新的，经过验证的急诊科（ED）CDS工具，并使用CFIR框架将其部署到紧急护理中心（UCC）。随着COVID-19大流行的发展，EPNA等电子工具在UCC中可能变得更加有用，因为建议可以随着更好的诊断和有效治疗方法而容易地更新建议。 ED内的EPNA已经适应了为肺炎患者以及病毒性肺炎的特征的体征和症状的SARS-COV-2测试。

该提案支持四个目标：

1. 适应UCC的EPNA和在Silico测试之后，在UCC转移过程中将其驾驶在“超级用户”临床医生中并评估其可用性。 EPNA需要适应UCC中可用的更有限的患者数据，较低观察到的死亡率的严重程度措施的校准以及肺炎体征和症状患者的胸部成像及时。 UCC的EPNA将融合斯坦福大学的人工智能Chexed模型，以在<10秒内提供胸部图像的电子分类，以提供肺炎诊断和治疗元素（放射线肺炎，单瓣，多个裂片和胸膜流体）。
2. 使用CFIR框架，我们先前的ED实施经验，UCC临床医生的焦点小组，半结构化访谈以及对工作流程的直接观察，包括EPNA指导的临床医生之间的护理过渡，研究人员将确定障碍和促进者，以适应EPNA的适应和实施EPNA到UCC。
3. 通过将EPNA部署在两个随机选择的Intermountain Healthcare UCC簇之一中，每个人都有大约800例年度肺炎患者，另一个是通常的护理控制，测试了实施策略。
4. 共同结果是a）兼容主要投诉和≥1个肺炎症状/症状和射线照相确认定义的肺炎诊断的准确性，EPNA群集将≥10％，而b）UCC肺炎患者百分比转移到紧急情况EPNA集群中的进一步评估部将减少3％，取而代之的是直接住院或出院。安全措施将在随后的7天ED访问/住院和30天的死亡率下计划外。基于这项严格的试点研究，研究人员预计将进行随后的多系统集群随机试验。

我们的工作纳入了CD的五个权利，以确保在临床环境中优化该技术的优势。研究人员将利用Intermountain的创新性肺炎研究，开创性CD和实施科学的经验，以成功完成该建议。

• 其他：医师调查
  我们的问卷包括有关受访者人口统计和李克特风格的问题的问题，有关受访者的EPNA经历。我们将通过计算李克特问题加载到相同组件的李克特问题的组件加载和Cronbach Alphas（即内部一致性）来验证我们的修改过的问卷。
• 设备：epna-chexed
  EPNA-CHEXED将结合斯坦福大学的人工智能CHEXED模型，以在肺炎诊断和治疗元素（放射线肺炎，单叶和胸膜流体）中提供<1秒的胸部图像的电子分类。

• 医师调查
  先前验证的REDCAP问卷的修改版将对集群的InstaCare临床医生进行管理，在该集群中，EPNA Chexed在EPNA CHEXEXED实施后的6个月通过电子邮件部署。我们的问卷包括有关受访者的受访者和李克特风格的问题，有关受访者在EPNA的经历。我们将通过计算组件加载和cronbach alpha（即内部一致性）来验证我们的修改过的问卷，将李克特问题加载到相同的组件上
  干预：其他：医师调查
• 适应Epna chex instacares
  适应EPNA芯片进行插入，并在计算机测试之后，在Instacare Shifts shifts instacare Shifts中将其驾驶并评估其可用性。 EPNA需要适应Instacare诊所可用的更有限的患者数据，校准较低的观察到死亡率的严重程度测量以及肺炎体征和症状患者的胸部成像及时。 EPNA-CHEXED将结合斯坦福大学的人工智能CHEXED模型，以在肺炎诊断和治疗元素（放射线肺炎，单叶和胸膜流体）中提供<1秒的胸部图像的电子分类。
  干预：设备：epna chex

纳入标准：

• 所有患有肺炎的12岁患者：由J-18.X肺炎代码或急性呼吸衰竭或败血症定义

调查所有受雇并积极见到患者的医生和高级实践临床医生

排除标准：

• 没有肺炎的放射学证实的患者
• 随后在12个月内发生肺炎的发作（因此，由于复发性抽吸或结构性肺部疾病而导致复发性肺炎反复发作的患者过多）。

调查没有任何提供商将被排除在调查邀请之外

• 随后的外ED访问的数量[时间范围：在初次相遇的7天内]
• 计划外的住院数量[时间范围：在初次相遇的7天内]
• 给出肺炎诊断的准确性[时间范围：通过研究完成，研究的第3年]
  由兼容的主要投诉（咳嗽，呼吸困难，胸痛，发烧）定义。 1肺炎症状/症状（温度38.0c或<36.0c，白细胞计数> 10,000/ul或<4000/ul），bandemia> 10％，SPO2 <90％的房间空气，呼吸速度> 20/分钟） 19和射线照相确认
• UCC肺炎患者转移率变化为ED [时间范围：通过研究完成，研究的第3年]
  我们想要减少。 EPNA群集中有3％的转移被直接住院或出院所取代。
• 使用更少的医疗保健资源[时间范围：通过研究完成，研究的第三年]

精心设计的临床决策支持（CDS）增强了临床医生准确诊断肺炎并选择最合适的治疗方案的能力。肺炎CDS历史上一直专注于住院环境，但肺炎患者量较高的门诊护理环境也可能受益。调查人员建议根据共识指南（EPNA）调整创新的，经过验证的急诊科（ED）CDS工具，并使用CFIR框架将其部署到紧急护理中心（UCC）。随着COVID-19大流行的发展，EPNA等电子工具在UCC中可能变得更加有用，因为建议可以随着更好的诊断和有效治疗方法而容易地更新建议。 ED内的EPNA已经适应了为肺炎患者以及病毒性肺炎' target='_blank'>病毒性肺炎的特征的体征和症状的SARS-COV-2测试。

该提案支持四个目标：

1. 适应UCC的EPNA和在Silico测试之后，在UCC转移过程中将其驾驶在“超级用户”临床医生中并评估其可用性。 EPNA需要适应UCC中可用的更有限的患者数据，较低观察到的死亡率的严重程度措施的校准以及肺炎体征和症状患者的胸部成像及时。 UCC的EPNA将融合斯坦福大学的人工智能Chexed模型，以在<10秒内提供胸部图像的电子分类，以提供肺炎诊断和治疗元素（放射线肺炎，单瓣，多个裂片和胸膜流体）。
2. 使用CFIR框架，我们先前的ED实施经验，UCC临床医生的焦点小组，半结构化访谈以及对工作流程的直接观察，包括EPNA指导的临床医生之间的护理过渡，研究人员将确定障碍和促进者，以适应EPNA的适应和实施EPNA到UCC。
3. 通过将EPNA部署在两个随机选择的Intermountain Healthcare UCC簇之一中，每个人都有大约800例年度肺炎患者，另一个是通常的护理控制，测试了实施策略。
4. 共同结果是a）兼容主要投诉和≥1个肺炎症状/症状和射线照相确认定义的肺炎诊断的准确性，EPNA群集将≥10％，而b）UCC肺炎患者百分比转移到紧急情况EPNA集群中的进一步评估部将减少3％，取而代之的是直接住院或出院。安全措施将在随后的7天ED访问/住院和30天的死亡率下计划外。基于这项严格的试点研究，研究人员预计将进行随后的多系统集群随机试验。

我们的工作纳入了CD的五个权利，以确保在临床环境中优化该技术的优势。研究人员将利用Intermountain的创新性肺炎研究，开创性CD和实施科学的经验，以成功完成该建议。

• 其他：医师调查
  我们的问卷包括有关受访者人口统计和李克特风格的问题的问题，有关受访者的EPNA经历。我们将通过计算李克特问题加载到相同组件的李克特问题的组件加载和Cronbach Alphas（即内部一致性）来验证我们的修改过的问卷。
• 设备：epna-chexed
  EPNA-CHEXED将结合斯坦福大学的人工智能CHEXED模型，以在肺炎诊断和治疗元素（放射线肺炎，单叶和胸膜流体）中提供<1秒的胸部图像的电子分类。

• 医师调查
  先前验证的REDCAP问卷的修改版将对集群的InstaCare临床医生进行管理，在该集群中，EPNA Chexed在EPNA CHEXEXED实施后的6个月通过电子邮件部署。我们的问卷包括有关受访者的受访者和李克特风格的问题，有关受访者在EPNA的经历。我们将通过计算组件加载和cronbach alpha（即内部一致性）来验证我们的修改过的问卷，将李克特问题加载到相同的组件上
  干预：其他：医师调查
• 适应Epna chex instacares
  适应EPNA芯片进行插入，并在计算机测试之后，在Instacare Shifts shifts instacare Shifts中将其驾驶并评估其可用性。 EPNA需要适应Instacare诊所可用的更有限的患者数据，校准较低的观察到死亡率的严重程度测量以及肺炎体征和症状患者的胸部成像及时。 EPNA-CHEXED将结合斯坦福大学的人工智能CHEXED模型，以在肺炎诊断和治疗元素（放射线肺炎，单叶和胸膜流体）中提供<1秒的胸部图像的电子分类。
  干预：设备：epna chex

纳入标准：

• 所有患有肺炎的12岁患者：由J-18.X肺炎代码或急性呼吸衰竭或败血症定义

调查所有受雇并积极见到患者的医生和高级实践临床医生

排除标准：

• 没有肺炎的放射学证实的患者
• 随后在12个月内发生肺炎的发作（因此，由于复发性抽吸或结构性肺部疾病而导致复发性肺炎反复发作的患者过多）。

调查没有任何提供商将被排除在调查邀请之外