Achieving wait time reduction in the emergency department
Notice bibliographique
Résumé
Purpose The purpose of this paper is to provide details on a study to determine the wait time and service time for various emergency department (ED) patient care processes and to apply the science of plan‐do‐study‐act (PDSA) cycles to improve patient flow. Design/methodology/approach The paper used direct observation to collect patient flow data on 1,728 patients at multiple ED sites in Saskatchewan, Canada. It calculated wait times and services associated with important care processes and then tested, measured and implemented ideas to reduce wait time. Findings On an average, patients spend nearly five hours in the ED with about one‐half of the visit devoted to waiting for the next required service to take place. Waiting for an inpatient bed, specialist consultation or physician reassessment comprised relatively long wait times. Through the use of visual reminders and standard process worksheets, quality improvement teams were able to achieve large reductions in physician reassessment waiting time. These improvements required minimal materials cost and no additional staff. Research limitations/implications The case study featured EDs within a particular Canadian province, so may not be generalizeable to other settings. We only sampled a fraction of ED patients at each facility. Practical implications Admitted patients waiting for a hospital bed represent a key contributor to ED congestion. PDSA cycles are a valuable approach to achieving quality improvement in health care. Originality/value The paper fulfils an identified need by breaking down an ED patient's waiting time into several high‐level processes. It also applies improvement science to ED patient flow.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».