Use of Clinical Decision Support to Improve the Quality of Care Provided to Older Hospitalized Patients
Notice bibliographique
Résumé
BACKGROUND: Frail older inpatients are at risk of unintended adverse events while in hospital, particularly falls, functional decline, delirium and incontinence. OBJECTIVE: The aim of this pragmatic trial was to pilot and evaluate a multi-component knowledge translation intervention that incorporated a nurse-initiated computerized clinical decision support tool to reduce harms in the care of older medical inpatients. METHODS: A stepped wedge trial design was conducted on six medical units at two hospitals in Calgary, Alberta, Canada. The primary quantitative outcome was the rate of order set use. Secondary outcomes included the number of falls, the average number of days in hospital, and the total number of consults ordered for each of orthopedics, geriatrics, psychiatry and physiotherapy. Qualitative analysis included interviews with nurses to explore barriers and facilitators around the implementation of the electronic decision support tool. RESULTS: The estimated mean rate of order set use over a 2 week period was 3.1 (95% CI 1.9-5.3) sets higher after the intervention than before. The estimated odds of a fall happening on a unit over a 2-week period was 9.3 (p = 0.065) times higher before than after the intervention. There was no significant effect of the intervention on length of hospital stay (p = 0.67) or consults to related clinical services (all p <0.2). Interviews with front-line nurses and nurse managers/educators revealed that the order set is not being regularly ordered because its content is perceived as part of good nursing care and due to the high workload on these busy medical units. CONCLUSIONS: Although not statistically significant, a reduction in the number of falls as a result of the intervention was noted. Frontline users' engagement is crucial for the successful implementation of any decision support tool. New strategies of implementation will be evaluated before broad dissemination of this knowledge translation intervention.
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 | 0,009 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».