MétaCan
Menu
Retour à la cohorte
Enregistrement W2763302453 · doi:10.1093/pch/20.5.e81a

130: An Alternate Care Environment to Decrease Inpatient Length-of-Stay

2015· article· en· W2763302453 sur OpenAlexaff
Trent McLaughlin, A Damji, Allen D. Spiegel, Carolyn E Beck, C St Jules, Charlotte Moore Hepburn, Kate Langrish, N Tavernese, T Beamish, Steven M. Schwartz

Notice bibliographique

RevuePaediatrics & Child Health · 2015
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealthcare Operations and Scheduling Optimization
Établissements canadiensHospital for Sick Children
Organismes subventionnairesnon disponible
Mots-clésMedicineAuditPsychological interventionReferralSpecialtyInpatient careEmergency medicineTertiary referral hospitalMedical emergencyFamily medicineNursingHealth careRetrospective cohort study

Résumé

récupéré en direct d'OpenAlex

In an increasingly challenging fiscal climate, there is pressure to reduce inpatient length-of-stay. Current research suggests that unnecessarily-prolonged paediatric admissions are common, and that for many diseases, day-hospital management provides efficient care that is well-liked by patients and families. Many current paediatric inpatients may not require overnight nursing, and remain as inpatients to facilitate rapid services. To develop and evaluate an Alternate Care Environment (“ACE Space”) that transitions inpatients to a day-hospital setting where they receive rapidly-arranged follow-up, investigations, interventions, and specialty consultations, while reducing inpatient length-of-stay. At our single tertiary-care facility in Spring 2014, all paediatric medicine inpatients were audited for potential to be managed in a day-hospital setting. Families identified by ward staff were interviewed to determine their interest in day-hospital care. Physicians and nurses were interviewed to determine patient inclusion criteria. A Rapid Improvement Event finalized the ACE's design. An ongoing pilot was launched in August 2014. In the ACE, patients receive inpatient-level access to hospital services. Outcome measures (ACE visit number, satisfaction, estimated savings of inpatient days, average inpatient length-of-stay), process measures (referral source, diagnosis, hours per visit, investigations, interventions, and specialty consultations), and balancing measures (ACE patients requiring inpatient admission, nursing resource utilization) are being tracked. Pre-pilot audits identified on average four patients per day (7.8% of total patients) as potentially manageable in a day-hospital setting. Sixteen of 26 “ACE-eligible” families (61.5%) said they would prefer going home at night. In its first 3.5 months, the ACE had 146 patient visits (39.6/ month), saving an estimated 139 inpatient bed days (38.2/month). There was a heterogeneous mix of diagnoses. Fifty-three of 55 families (96.4%) rated their overall experience as “very good” or “excellent”. Thirty-two patients received laboratory investigations, and 35 received diagnostic imaging (e.g. MRI). There were 18 IV or subcutaneous medication administrations, six central line procedures, 16 other procedures (e.g. urinary catheterization), 63 subspecialty consultations, and 21 allied health consultations. Four (2.7%) patients required inpatient admission from the ACE. These data demonstrate that some paediatric inpatients do not require overnight nursing, and can be safely managed in a day-hospital setting. The ACE provides a safe inpatient alternative for a heterogeneous mix of diagnoses and patient needs, and services that are not available or expedient in a clinic setting. Future work will analyze the ACE's effect on inpatient length-of-stay and cost.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,626
Score d'incertitude au seuil0,887

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,059
Tête enseignante GPT0,383
Écart entre enseignants0,324 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child HealthMême sujetHealthcare Operations and Scheduling OptimizationTravaux en français237 207