Can the impact of an acute hospital end-of-life care tool on care and symptom burden be measured contemporaneously?
Notice bibliographique
Résumé
OBJECTIVE: To determine the utility of a screening question to identify patients who might die during hospital admission and feasibility of scoring symptoms in dying patients within a study assessing the impact of a brief end-of-life (EOL) tool. METHODS: Between March 2008 and July 2010 patients admitted to five wards of an acute hospital were screened using the question 'Is this patient so unwell you feel they could die during this admission?' Once 40 patients were recruited, the brief EOL tool was introduced to the wards and a further 30 patients were recruited. Symptom scoring using the Edmonton Symptom Assessment System (ESAS) began when the patient was recognised as dying. Relatives were asked to complete the Views of Informal Carers-Evaluation of Services questionnaire to validate the results of the contemporaneous symptom assessments and assess the impact of the tool. RESULTS: The sensitivity of the screening question was 57%, specificity 98% and positive predictive value 67%, so the question was useful in enrolling study patients. There were limitations with the ESAS but core EOL symptoms were scored more frequently after the tool was introduced. Questionnaire responses suggested relatives perceived aspects of care improved with the EOL tool in place. CONCLUSIONS: It is possible to identify dying patients and study care given to them in hospital in real time. Outcome measures need to be refined, but contemporaneous symptom monitoring was possible. We argue interventions to improve EOL care should be unequivocally evidence-based, and research to provide evidence of impact on the patient experience is possible.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».