Sustainability of a proactive geriatric trauma consultation service
Notice bibliographique
Résumé
Background: Proactive geriatric trauma consultation service (GTCS) models have been associated with better delivery of geriatric care and functional outcomes. Whether such collaborative models can be improved and sustained remains uncertain. We describe the sustainability and process improvements of an inpatient GTCS. Methods: We assessed workflow using interviews and surveys to identify opportunities to optimize the referral process for the GTCS. Sustainability of the service was assessed via a prospective case series (July 2012–December 2013). Study data were derived from a review of the medical record and trauma registry database. Metrics to determine sustainability included volume of cases, staffing levels, rate of adherence to recommendations, geriatric-specific clinical outcomes, trauma quality indicators, consultation requests and discharge destination. Results: Through process changes, we were able to ensure every eligible patient was referred for a comprehensive geriatric assessment. Compared with the implementation phase, volume of assessments increased and recommendation adherence rates were maintained. Delirium and/or dementia were the most common geriatric issue addressed. The rate of adherence to recommendations made by the GTCS team was 88.2%. Only 1.4% of patients were discharged to a nursing home. Conclusion: Workflow assessment is a useful means to optimize the referral process for comprehensive geriatric assessment. Sustainability of a GTCS was shown by volume, staffing and recommendation adherence.
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 | 0,002 |
| 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 ».