Reduction of Inpatient Hospital Length of Stay in Lumbar Fusion Patients With Implementation of an Evidence-Based Clinical Care Pathway
Notice bibliographique
Résumé
STUDY DESIGN: Quality improvement with before and after evaluation of the intervention. OBJECTIVE: To improve lumbar spine postoperative care and quality outcomes through a series of Lean quality improvement events designed to address root causes of error and variation. SUMMARY OF BACKGROUND DATA: Lumbar spine fusion procedures are common, but highly variable in process of care, outcomes, and cost. METHODS: We implemented a standardized lumbar spine fusion clinical care pathway through a series of Lean quality improvement events. The pathway included an evidence-based electronic order set; a patient visual tool; and multidisciplinary communication, and was designed to delineate expectations for patients, staff, and providers. To evaluate the effectiveness of the intervention, we performed a quality improvement study with before and after evaluation of consecutive patients from January 2012 to September 2014. Outcomes were hospital length of stay and quality measures before and after the April 1, 2013 intervention. Data were analyzed with chi-square and t tests for before and after comparisons, and were explored graphically for temporal trends with statistical process control charts. RESULTS: Our study population was 458 patients (mean 65 years, 65% women). Length of stay decreased from 3.9 to 3.4 days, a difference of 0.5 days (CI 0.3, 0.8, P < 0.001). Discharge disposition also improved with 75% (183/244) being discharged to home postintervention versus 64% (136/214) preintervention (P = 0.002). Urinary catheter removal also improved (P = 0.003). Patient satisfaction scores were not significantly changed. CONCLUSION: Applying Lean methods to produce standardized clinical pathways is an effective way of improving quality and reducing waste for lumbar spine fusion patients. We believe that quality improvements of this type are valuable for all spine patients, to provide best care outcomes at lowest cost. LEVEL OF EVIDENCE: 4.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».