Abstract WP325: Transitional Care Interventions Result in Statistically Significant Reduction in Stroke Readmission Rate
Notice bibliographique
Résumé
Background: Readmissions can negatively impact patients, families and health care organizations. Readmission penalties have resulted in focused efforts around discharge planning, patient engagement and transitional care. Purpose: We hypothesized that development of a transitional care intervention 'bundle' could decrease our stroke readmission rate. Methods: A literature search related to readmission reduction strategies for stroke patients and a transitional care gap-analysis were completed. The literature review defined at-risk patients as over 80 years old with cardiovascular comorbidities, dysphagia, diabetes and high stroke severity. Additional variables included a lack of stroke-validated readmission predictive models, variable causes for readmissions and different insurance and databases used. A retrospective review of our 30-day readmitted stroke patient records from November 2012- October 2013, showed our patients were most often low stroke severity, low risk of mortality and readmission based on an internal risk assessment tool called PRISM, most often discharged home, younger than reported in the literature, and most often returned within a week from discharge. We noted there was vast variation between the literature findings and our stroke readmissions. The literature review included best practices for non-stroke related readmissions. The gap-analysis showed we were not doing many best practices at our organization related to transitional care. We created a set of stroke-specific interventions including: scheduled follow-up appointments based on PRISM score, new patient education and teach-back tools, then targeted patients discharged home. Implementation was complete in July 2014. Results: January 2014-June 2014 readmissions were 12%. July 2014- December 2014 readmissions decreased to 8%. Using a 2 sample t-test, a comparison of these time periods showed a significant improvement: P = 0.046. Conclusion: Standardizing transitional care by implementing strategies focusing on stroke patients discharged home has resulted in a statistically significant reduction in readmissions. The reason for the differences between the organization's readmission profile and that discussed in the literature remains unclear.
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 | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,044 | 0,003 |
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 ».