Geriatric Delirium Care: Using Chart Audits to Target Improvement Strategies
Notice bibliographique
Résumé
BACKGROUND: Our hospital identified delirium care as a quality improvement target. Baseline characterization of our delirium care and deficits was needed to guide improvement efforts. METHODS: Two inpatient units were selected: 1) A general internal medicine unit with a focus on geriatrics, and 2) a surgical unit. Retrospective chart audits were conducted for all patients over age 50 admitted during a one-month period to compare delirium care with best practice guideline (BPG) recommendations, and to determine the incidence of missed cases of delirium and negative outcomes in patients with delirium. The aim was to gather local data to prioritize improvement efforts and mobilize stakeholders. RESULTS: 186 charts were reviewed: 17 patients had physician-diagnosed delirium, 21 patients had missed delirium, and 148 patients had no delirium. Compliance with delirium BPGs was variable, but generally poor. There was a trend towards missed delirium and physician-diagnosed delirium being associated with greater odds of having above-median length of stay and lower odds of discharge home compared to no delirium diagnosis. CONCLUSION: Overall, the chart audits confirmed delirium underrecognition and poor adherence to best practices in delirium management. Granular analysis of this data was used to mobilize stakeholders and prioritize improvement plans.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».