A Matter of Urgency: Reducing Clinical Text Message Interruptions During Educational Sessions
Notice bibliographique
Résumé
BACKGROUND: Text messaging is increasingly replacing paging as a tool to reach physicians on medical wards. However, this phenomenon has resulted in high volumes of nonurgent messages that can disrupt the learning climate. OBJECTIVE: Our objective was to reduce nonurgent educational interruptions to residents on general internal medicine. DESIGN, SETTING, PATIENTS: This was a quality improvement project conducted at an academic hospital network. Measurements and interventions took place on 8 general internal medicine inpatient teaching teams. INTERVENTION: Interventions included (1) refining the clinical communication process in collaboration with nursing leadership; (2) disseminating guidelines with posters at nursing stations; (3) introducing a noninterrupting option for message senders; (4) audit and feedback of messages; (5) adding an alert for message senders advising if a message would interrupt educational sessions; and (6) training and support to nurses and residents. MEASUREMENTS: Interruptions (text messages, phone calls, emails) received by institution-supplied team smartphones were tracked during educational hours using statistical process control charts. A 1-month record of text message content was analyzed for urgency at baseline and following the interventions. RESULTS: The interruption frequency decreased from a mean of 0.92 (95% CI, 0.88 to 0.97) to 0.59 (95% CI, 0.51 to0.67) messages per team per educational hour from January 2014 to December 2016. The proportion of nonurgent educational interruptions decreased from 223/273 (82%) messages over one month to 123/182 (68%; P < .01). CONCLUSIONS: Creation of communication guidelines and modification of text message interface with feedback from end-users were associated with a reduction in nonurgent educational interruptions. Continuous audit and feedback may be necessary to minimize nonurgent messages that disrupt educational sessions.
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 | 0,006 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,003 | 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 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 ».