Evaluation of real-time use of electronic patient-reported outcome data by nurses with patients in home dialysis clinics
Notice bibliographique
Résumé
BACKGROUND: Internationally, the use of patient-reported outcomes (PROs) is increasing. Electronic PROs (ePROs) offer immediate access of such reports to healthcare providers. The objectives of this study were to assess nurses' perspectives on the usefulness and impact of ePRO administration in home dialysis clinics and assess patient perceptions of satisfaction with nursing care following use of ePROs. METHODS: A concurrent, longitudinal, mixed methods study was conducted over 6 months during home dialysis outpatient clinic visits in two cities. Patients (n = 99) provided ePROs using tablet computers when they visited the clinic on two consecutive occasions approximately 3 months apart. Results were scored, printed, and given to nurses before patient appointments. Patients completed satisfaction items from the Comox Valley Nursing Centre Client questionnaire following their appointments. All clinic nurses (n = 11) participated and they were each interviewed twice, three months and six months after the start of the study. RESULTS: The five themes that emerged from the interviews with the nurses include: enhancing focus of the nurses, directing interdisciplinary follow-up, offering support to patients through the process, interpreting results from the visual display, and integrating into workflow. Scores on the Client Questionnaire suggested that patients believed that they received excellent care (97%), and that the nurses perfectly understood their needs (90.9%). However, their satisfaction with care did not change over time when ePRO data was repeatedly provided to their nurses. CONCLUSIONS: Nurses reported that sharing ePRO data in real-time informed their practice. Although there was no statistically significant change in patient satisfaction scores over time, some patients reported changes and benefits from the use of ePROs. Further research is needed to provide guidance about how ePRO data could enhance person-centered care.
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 | 0,018 | 0,059 |
| 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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».