A qualitative study of emergency physicians’ perspectives on PROMS in the emergency department
Notice bibliographique
Résumé
INTRODUCTION: There is a growing emphasis on including patients' perspectives on outcomes as a measure of quality care. To date, this has been challenging in the emergency department (ED) setting. To better understand the root of this challenge, we looked to ED physicians' perspectives on their role, relationships and responsibilities to inform future development and implementation of patient-reported outcome measures (PROMs). METHODS: ED physicians from hospitals across Canada were invited to participate in interviews using a snowballing sampling technique. Semistructured interviews were conducted by phone with questions focused on the role and practice of ED physicians, their relationship with their patients and their thoughts on patient-reported feedback as a mechanism for quality improvement. Transcripts were analysed using a modified constant comparative method and interpretive descriptive framework. RESULTS: Interviews were completed with 30 individual physicians. Respondents were diverse in location, training and years in practice. Physicians reported being interested in 'objective' postdischarge information including adverse events, readmissions, other physicians' notes, etc in a select group of complex patients, but saw 'patient-reported' feedback as less valuable due to perceived biases. They were unsure about the impact of such feedback mainly because of the episodic nature of their work. Concerns about timing, as well as about their legal and ethical responsibilities to follow-up if poor patient outcomes are reported, were raised. CONCLUSIONS: Data collection and feedback are key elements of a learning health system. While patient-reported outcomes may have a role in feedback, ED physicians are conflicted about the actionability of such data and ethical implications, given the inherently episodic nature of their work. These findings have important implications for PROM design and implementation in this unique clinical 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 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 | 0,027 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,010 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».