A Quality Improvement Study to Improve Inpatient Problem List Use
Notice bibliographique
Résumé
BACKGROUND: The problem list is a meaningful use incentivized criterion, and >80% of patients should have 1 problem entered as structured data. OBJECTIVE: The aim of the present study was to use a series of interventions to increase the use of the problem list for inpatients to >80% as measured by at least 1 hospital problem at discharge. METHODS: This study was a quasi-experimental time series quality improvement trial. The primary outcome was 80% of medical and psychiatric inpatients with a problem added to the problem list before discharge. Control charts of percentage (p charts) of medical and psychiatric patients with an inpatient problem list at discharge were constructed with three-σ control limits. Control limits were revised after evidence of improvement. The charts were annotated with interventions, including increasing awareness, focused education, and timely feedback in the form of performance graphs e-mailed to providers. RESULTS: For medical inpatients, use rose from 31% to 97% at its peak in April 2011 and continues to maintain above the goal of 80%. In psychiatry, problem list use rose from 2% initially to an average of 72% after the interventions. CONCLUSIONS: Significant gains were made with inpatient problem list usage by the medical and psychiatric teams. Our goal ascribed by meaningful use for >80% of inpatients to have a problem at discharge was met after initiation of our series of interventions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».