The feasibility of an interactive voice response system (IVRS) for monitoring patient safety after discharge from the ED
Notice bibliographique
Résumé
BACKGROUND: Return ED visits are frequent and may be due to adverse events: adverse outcomes related to healthcare received. An interactive voice response system (IVRS) is a technology that translates human telephone input into digital data. Use of IVRS has been explored in many healthcare settings but to a limited extent in the ED. We determined the feasibility of using an IVRS to assess for adverse events after ED discharge. METHODS: This before and after study assessed detection of adverse events among consecutive high-acuity patients discharged from a tertiary care ED pre-IVRS and post-IVRS over two 2-week periods. The IVRS asked if the patient was having a health problem and if they wanted to speak to a nurse. Patients responding yes received a telephone interview. We searched health records for deaths, admissions to hospital and return ED visits. Three trained emergency physicians independently determined adverse event occurrence. We analysed the data using descriptive statistics. RESULTS: Of 968 patients studied, patients' age, sex, acuity and presenting complaint were comparable pre-IVRS and post-IVRS. Postimplementation, 393 (81.7%) of 481 patients had successful IVRS contact. Of these, 89 (22.6%) wanted to speak to a nurse. A total of 37 adverse events were detected over the two periods: 10 patients with 10 (6.5%) adverse events pre-IVRS and 16 patients with 27 (16.9%) adverse events post-IVRS. In the postimplementation period, the adverse events of seven patients were detected by the IVRS and five patients spontaneously requested assistance navigating post-ED care. CONCLUSIONS: This was a successful proof-of-concept study for applying IVRS technology to assess patient safety issues for discharged high-acuity ED patients.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».