Combining training in knowledge translation with quality improvement reduced 30‐day heart failure readmissions in a community hospital: a case study
Notice bibliographique
Résumé
RATIONALE, AIMS AND OBJECTIVES: Training programmes in evidence-based practice (EBP) frequently fail to translate their content into practice change and care improvement. We linked multidisciplinary training in EBP to an initiative to decrease 30-day readmissions among patients admitted to a community teaching hospital for heart failure (HF). METHODS: Hospital staff reflecting all services and disciplines relevant to care of patients with HF attended a 3-day innovative capacity building conference in evidence-based health care over a 3-year period beginning in 2009. The team, facilitated by a conference faculty member, applied a knowledge-to-action model taught at the conference. We reviewed published research, profiled our population and practice experience, developed a three-phase protocol and implemented it in late 2010. We tracked readmission rates, adverse clinical outcomes and programme cost. RESULTS: The protocol emphasized patient education, medication reconciliation and transition to community-based care. Senior administration approved a full-time nurse HF coordinator. Thirty-day HF readmissions decreased from 23.1% to 16.4% (adjusted OR = 0.64, 95% CI = 0.42-0.97) during the year following implementation. Corresponding rates in another hospital serving the same population but not part of the programme were 22.3% and 20.2% (adjusted OR = 0.87, 95% CI = 0.71-1.08). Adherence to mandated HF quality measures improved. Following a start-up cost of $15 000 US, programme expenses balanced potential savings from decreased HF readmissions. CONCLUSION: Training of a multidisciplinary hospital team in use of a knowledge translation model, combined with ongoing facilitation, led to implementation of a budget neutral programme that decreased HF readmissions.
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 | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».