Inter-professional delirium education and care: a qualitative feasibility study of implementing a delirium Smartphone application
Notice bibliographique
Résumé
BACKGROUND: Delirium is a common medical condition with a high prevalence in hospital settings. Effective delirium management requires a multi-component intervention, including the use of Interprofessional teams and evidence-based interventions at the point of care. One vehicle for increasing access of delirium practice tools at the point of care is E-health. There has been a paucity of studies describing the implementation of delirium related clinical application. The purpose of this current study is to acquire users' perceptions of the utility, feasibility and effectiveness of a smartphone application for delirium care in a general surgery unit. In addition, the authors aimed to elucidate the potential challenges with implementing this application. METHODS: This quantitative study was conducted between January 2015 and June 2015 at the University Health Network, Toronto General Hospital site. Participants met inclusion criteria if they were clinical staff on the General Surgery Unit at the Toronto General Hospital site and had experience caring for patients with delirium. At the conclusion of the 4 weeks after the implementation of the intervention, participants were invited by email to participate in a focus group to discuss their perspectives related to using the delirium application RESULTS: Our findings identified several themes related to the implementation and use of this smartphone application in an acute care clinical setting. These themes will provide clinicians preparing to use a smartphone application to support delirium care with an implementation framework. CONCLUSIONS: This study is one of the first to demonstrate the potential utility of a smartphone application for delirium inter-professional education. While this technology does appeal to healthcare professionals, it is important to note potential implementation challenges. Our findings provide insights into these potential barriers and can be used to assist healthcare professionals considering the development and use of an inter-professional clinical care application in their setting.
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 | 0,011 |
| 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 ».