Is audit and feedback associated with increased hospital adherence to standards for communication during patient care transitions?
Notice bibliographique
Résumé
Guidelines to enhance communication during patient care transitions between healthcare settings have the potential to improve patient outcomes and satisfaction, as well as to decrease overall costs. In 2009, Healthcentric Advisors, the Medicare Quality Improvement Organization (QIO) for New England, collaborated with Rhode Island providers and stakeholders to develop communitywide standards for hospitals, the Safe Transitions Best Practice Measures for Hospitals and then implemented a hospital quality improvement intervention. As part of this intervention, 10 of the state’s 11 acute-care hospitals collected quarterly data and Healthcentric Advisors provided audit and feedback reports showing each facility’s progress and the state’s average performance. Using hospital-reported data on four best practice measures and Medicare claims data for Q2 2011-Q1 2013, we performed descriptive analyses of (1) inpatient-to-outpatient communication for all patients at the 10 participating hospitals, as measured by four best practice measures, and (2) state-wide all-cause, 30-day readmission rates per 1,000 fee-for-service (FFS) beneficiaries. Aggregate performance for the four best practice process measures increased by 5.5% to 217.6% for all patients who met eligibility criteria (p ≤ .001 for each measure) and the readmission rate decreased by 18.4% from 14.12 to 11.52 per 1,000 eligible FFS Medicare beneficiaries (p ≤ .001). These findings suggest that communitywide standards, such as the Safe Transitions Best Practice Measures for Hospitals, and audit and feedback interventions can successfully improve hospitals’ communication during patient care transitions between healthcare settings.
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 | 0,000 |
| 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 ».