A novel approach to improving emergency department consultant response times
Notice bibliographique
Résumé
BACKGROUND: Emergency department (ED) overcrowding is a threat to patient safety and public health. Availability of specialty consultation to the ED may contribute to overcrowding. We implemented a novel intervention using education, goal setting and real-time performance feedback to improve time to admission for patients referred to general internal medicine (GIM). METHODS: Using a time-series design, we examined the effects of a quality improvement intervention on ED wait-times in an academic medical centre. The multifaceted approach included a didactic session for GIM housestaff on medicine triage principles and methods; setting a goal to have disposition decisions and, where appropriate, admission order within 4 h of consultation request; and providing personal data feedback on their performance on this metric to GIM housestaff during their rotation on the inpatient teaching service over a 1-year period. We compared time from consultation request to disposition decision and overall ED length of stay (LOS) for all patients referred to GIM during the intervention period (February 2011-February 2012) with data from the control period (January 2010-January 2011). RESULTS: Mean time from GIM consultation request to admission order entry decreased by 92 min (SD, 5, p<0.05) from 321min in the control period to 229 min in the intervention period. Overall ED LOS for GIM patients decreased by 59 min (SD, 14, p<0.05) for admitted patients from 1022 min in the control period to 963 min in the intervention period, and by 40 min (SD, 13, p<0.05) for all patients referred to GIM. GIM staffing and patient characteristics remained stable across the two periods. DISCUSSION: ED throughput for admitted medical patients improved with a quality improvement initiative involving education, goal setting and performance feedback.
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 | 0,002 | 0,002 |
| 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 ».