An intervention to improve discharge summary completion rates within an Australian teaching hospital
Notice bibliographique
Résumé
Objective: This study was designed to improve patient discharge summary completion rates directly following patient hospital discharge. The primary reason for this was to improve continuity of patient care and reduce hospital readmissions within 28 days.Methods: The researcher benchmarked the discharge summary completion rate before conducting individual feedback directly to clinicians. Content was deemed complete if the information was present and appropriate. Partially completed, unclear, or absent information was deemed outstanding. This information was gained by looking at the hospital’s patient records. The researcher benchmarked the readmission data. This data included establishing monthly patient discharges (excluding deaths) and the number of unplanned and unexpected readmissions within 28 days related to the primary admission. This information was used to compare pre-intervention to invention readmission rates.Results: The hospital’s total discharge completion rate statistically changed from 91.92% pre-intervention to 99.18% postintervention, with the biggest change occurring in Obstetrics and Gynaecology (O&G). O&G discharge completion rate improved from 46.94% pre-intervention to 98.84% post-intervention. A two sample t-test indicated that this difference was significant, t(2.0905) = 0.0458, p = .05. The readmission rates statistical changed from 0.49% pre-intervention to 0.26% during the intervention period. A two sample t-test indicated that this difference was significant, t(2.3679) = 0.04205, p = .05.Conclusions: This study provided evidence of the effectiveness of conducting audit and feedback sessions as it relates to patient discharge summaries and readmissions.
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 | 0,001 | 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 | 0,001 |
| 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 ».