Cardiac Rehabilitation
Notice bibliographique
Résumé
In Brief PURPOSE: Despite well-documented positive benefits, cardiac rehabilitation (CR) is an underutilized resource for patients following a cardiac event or intervention. Bias in the CR referral process has led to programs designed to ensure that all eligible patients receive a referral. The purpose of the current investigation was to describe the implementation of a nurse-delivered automatic bedside referral process and to examine the effectiveness on referral and intake rates for CR. METHODS: In 2007, an automatic CR referral system was implemented at the University of Ottawa Heart Institute. A nurse-delivered automatic bedside referral process was implemented in 2008. A CR nurse screened all inpatient charts, discussed CR benefits and program options with patients, triaged the patient to the appropriate program, and facilitated booking of the CR intake appointment. Data were analyzed to determine the effectiveness of this approach. RESULTS: Only 15.5% to 19.7% of eligible patients participated in CR program prior to 2006. Implementation of an automatic referral process increased participation to 26.7%. The nurse-delivered bedside automatic referral process increased participation to 32.6%. The proportion of patients receiving CR referrals almost tripled following the implementation of the nurse-delivered referral process from 26.7% in 2003 to 79.0% in 2008. CONCLUSIONS: A nurse-delivered automatic bedside referral process had a positive impact on both referral and intake to CR. Future challenges for CR programs will be to ensure optimal participation in programs, while managing the growth associated with increased rates of involvement. The purpose of this study was to describe the implementation of a nursedelivered automatic bedside referral process for cardiac rehabilitation (CR). Following implementation, the proportion of patients receiving CR referrals almost tripled, while intake nearly doubled. A nurse-delivered automatic bedside referral process positively impacted both referral and intake to CR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,068 | 0,020 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».