Leveraging Mobile Technology to Improve Efficiency of the Consent-to-Treatment Process
Notice bibliographique
Résumé
PURPOSE: This study reports on the implementation of an electronic consent-to-treatment system (e-Consent) in a busy radiation medicine program and compares it with the previous paper-based method of documenting patient consent. METHODS: A password-protected, electronic, e-Consent application was designed in-house and installed on iPad devices to document patient consent for radiation therapy treatments. A feasibility study, followed by a program-wide deployment of e-Consent, was executed. The effectiveness and impact of e-Consent on workflow were determined by comparing the number of problems arising from the paper-based consenting method with those from the e-Consent process. Staff satisfaction and perceived impact of e-Consent on workflow were determined by a program-wide survey of e-Consent users. RESULTS: The e-Consent completion rate was 94.2% (5,600 of 5,943 forms) 1 year after implementation, indicating successful uptake at the program level. Although the paper-based method of documenting patient consent was associated with an error rate of 7% (24 of 343 forms), e-Consent was associated with an error rate of 0.32% (18 of 5,600 forms) 1 year after deployment. Results of a 10-item e-Consent user survey indicated improvement in staff workflow and high overall satisfaction with e-Consent. CONCLUSION: e-Consent is more efficient than paper-based methods for documenting patient consent. Moreover, replacing paper-based consent methods with an electronic version facilitated an improved workflow and staff satisfaction. Efforts aimed at implementing e-Consent throughout the entire cancer program are currently underway.
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 | 0,008 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».