Perceived risk factors of health decline: a qualitative study of hospitalized patients with multimorbidity
Notice bibliographique
Résumé
BACKGROUND: Effectively preventing and managing chronic illness are key goals for health systems worldwide. A growing number of people are living longer with multiple chronic illnesses, accompanied by a high degree of treatment burden and heavy use of health care resources. People with multimorbidity typically have to manage their care needs for a number of years, and from this experience may offer valuable perspectives on factors that influenced their health outcome. PURPOSE: The purpose of this study was to explore factors that may serve as tipping points into poor health from the perspective of hospitalized patients with multimorbidity. PARTICIPANTS AND METHODS: Patient interview data were analyzed from 43 hospitalized patients with multimorbidities who indicated that something could have been done to either avoid or slow down their health decline. The study used qualitative description as the analytic method to generate themes from a specific question collected through one-on-one interviews. Two reviewers independently analyzed and thematically coded the data and reached consensus on the final themes after a series of meetings. RESULTS: According to patient accounts, factors at the personal level (eg, personal behaviors), provider level (eg, late diagnoses), and health care system level (eg, poor care transitions) contributed to their health decline. CONCLUSION: This paper focuses on prevention in the context of multimorbidity. While some respondents indicated personal behaviors that impacted health, many pointed to factors outside themselves (providers and the broader health system). The orientation of health care systems, historically designed to support acute and episodic care and not multimorbidity, places patients, at least in some cases, at additional risk of decline. The patient accounts suggest that the notion of prevention should evolve throughout the course of illness. A successful health system would embrace this notion and see the goal as forestalling not only mortality (as achieved for the most part in high socioeconomic nations) but morbidity as well. High rates of multimorbidity and health system challenges suggest that we have not yet achieved this latter aim.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».