Impact of short evidence summaries in discharge letters on adherence of practitioners to discharge medication. A cluster-randomised controlled trial
Notice bibliographique
Résumé
BACKGROUND: International concern about quality of medical care has led to intensive study of interventions to ensure care is consistent with best evidence. Simple, inexpensive, feasible and effective interventions remain limited. OBJECTIVE: We examined the impact of one-sentence evidence summaries appended to consultants' letters to primary care practitioners on adherence of the practitioners to recommendations made by the consultants regarding medication for patients with chronic medical problems. DESIGN: Cluster-randomised trial. SETTING: Secondary/primary care interface (urban district hospital/referral practices). PARTICIPANTS: 178 practices received one or more discharge letters with evidence summaries. The 66 practices in the intervention group provided feedback on 172 letters, and the 56 practices in the control group provided feedback on 96 letters. RESULTS: Appending an evidence summary to discharge letters resulted in a decrease in non-adherence to discharge medication from 29.6% to 18.5% (difference adjusted for underlying medical condition 12.5%; p = 0.039). Among the five possible reasons for discontinuing discharge medication, the evidence summaries seemed to have the largest impact on budget-related reasons for discontinuation (2.6% in the intervention versus 10.7% in the control group (p = 0.052)). Most clinicians (72%) were enthusiastic about continuing receiving evidence summaries with discharge letters in routine care. CONCLUSIONS: The one-sentence evidence summary is a simple, inexpensive, well-accepted intervention that may improve primary care practitioners' adherence to evidence-based consultant recommendations.
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 | 0,008 | 0,010 |
| 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) | 0,001 | 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 ».