Association of inpatient hospital experience with patient safety indicators: a cross-sectional, Canadian study
Notice bibliographique
Résumé
OBJECTIVES: There remains concern regarding the use of survey data to assess aspects of healthcare quality. The relationship between patient experience and adverse events as documented by patient safety indicators (PSIs) is a timely research topic. The objectives were to document the association of PSIs and patient experience scores, and to determine risk-adjusted odds of high experience scores versus PSI presence. SETTING AND PARTICIPANTS: From April 2011 to March 2014, 25 098 patients completed a telephone survey following discharge from 93 inpatient hospitals in Alberta, Canada. RESEARCH DESIGN: A modified version of the Hospital Consumer Assessment of Healthcare Providers and Systems (HCAHPS) instrument was used. Surveys were linked to inpatient records and PSI presence was documented using a validated algorithm. MEASURES: Three questions about overall hospital, physician and nurse ratings were scored on an 11-point Likert scale from 0 (worst) to 10 (best). Experience was classified as high (9 or 10) versus low (0-8). Demographic/clinical differences between respondents with/without a PSI were assessed. Logistic regression examined the relationship between factors including PSI and experience ratings. RESULTS: Overall, physician and nurse care was rated high by 61.9%, 73.7% and 66.2% of respondents. 1085 patients (4.3%) had a documented PSI. Most frequent PSIs were haemorrhagic events (n=502; 2.0% of sample), events relating to obstetrics (n=373; 1.5%) and surgical-related events (n=248; 1.0%). Risk-adjusted models showed patients with PSIs had decreased odds of having high overall (OR=0.86; 95% CI 0.75 to 0.97), physician (OR=0.76; 95% CI 0.66 to 0.87) and nurse (OR=0.83; 95% CI 0.73 to 0.94) ratings. CONCLUSIONS: There is clear evidence that inpatient experience ratings are associated with PSIs, one element of quality of care. Future research, examining individual PSIs and patient experience questions, is warranted, as this may inform targeted quality improvement initiatives.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».