Implementing Clinical Practice Guidelines for Screening and Detection of Delirium in a 21-Hospital System in Northern California
Notice bibliographique
Résumé
PURPOSE: The purpose of this article was to describe a quality improvement process on a diverse adult intensive care unit (ICU) population for a large healthcare organization for early detection of delirium. BACKGROUND: Delirium is often considered a common unpreventable problem in the ICU. A process for early detection of delirium allows the critical care team to evaluate the patient and intervene to improve or reverse the delirium. DESCRIPTION: A business case was first developed, and then using performance improvement methodology combined with quality improvement methods and oversight from a Delirium/Sedation Workgroup, an implementation plan was developed. Intensive care clinical nurse specialists were educated; patients in the ICU were screened for delirium twice daily by bedside nurses using the Confusion Assessment Method. The clinical nurse specialist in each ICU was instrumental for driving the process of change and supporting the bedside nurse and physicians to discuss preventing, screening, and treating delirium. OUTCOME: System-wide process implementation was completed in 1 year, 2011. In 2012, all medical centers had a program in place to decrease the use of benzodiazepines and improve communication in the multidisciplinary teams during daily rounds about the treatment and prevention of delirium. The process of performance improvement is ongoing with continual reassessment and feedback required to ensure sustainability. CONCLUSIONS/IMPLICATIONS FOR PRACTICE: Performance improvement involving 21 medical centers is a large-scale undertaking by an organization. It requires a systematic approach with key stakeholders and advanced practice nurses as subject matter experts involved throughout all phases of the implementation. Bedside clinicians assessing the patient must feel supported and valued members of the process. Challenges of all care providers need to be acknowledged and addressed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».