Analysis of Smartphone Interruptions on Academic General Internal Medicine Wards
Notice bibliographique
Résumé
INTRODUCTION: Hospital-based medical services are increasingly utilizing team-based pagers and smartphones to streamline communications. However, an unintended consequence may be higher volumes of interruptions potentially leading to medical error. There is likely a level at which interruptions are excessive and cause a 'crisis mode' climate. METHODS: We retrospectively collected phone, text messaging, and email interruptions directed to hospital-assigned smartphones on eight General Internal Medicine (GIM) teams at two tertiary care centres in Toronto, Ontario from April 2013 to September 2014. We also calculated the number of times these interruptions exceeded a pre-specified threshold per hour, termed 'crisis mode', defined as at least five interruptions in 30 minutes. We analyzed the correlation between interruptions and date, site, and patient volumes. RESULTS: A total of 187,049 interruptions were collected over an 18-month period. Daily weekday interruptions rose sharply in the morning, peaking between 11 AM to 12 PM and measuring 4.8 and 3.7 mean interruptions/hour at each site, respectively. Mean daily interruptions per team totaled 46.2 ± 3.6 at Site 1 and 39.2 ± 4.2 at Site 2. The 'crisis mode' threshold was exceeded, on average, 2.3 times/day per GIM team during weekdays. In a multivariable linear regression analysis, site (β6.43 CI95% 5.44 - 7.42, p<0.001), day of the week (with Friday having the most interruptions) (β0.481 CI95% 0.236 - 0.730, p<0.05) and patient census (β1.55 CI95% 1.42 - 1.67, p<0.05) were all predictive of daily interruption volume although there was a significant interaction effect between site and patient census (β-0.941 CI95% -1.18 - -0.703, p<0.05). CONCLUSION: Interruptions were related to site-specific features, including volume, suggesting that future interventions should target the culture of individual hospitals. Excessive interruptions may have implications for patient safety especially when exceeding a maximal threshold over short periods of time.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».