Engaging patients through Multi-Disciplinary Rounding – The case study at a Michigan hospital
Notice bibliographique
Résumé
Multi-Disciplinary Rounding (MDR) is a leading practice and a promising process innovation that seeks to enhance both patient experiences and healthcare outcomes for hospitals. It requires multiple hospital staff involved in patientcare visiting patients as a team at their bedside, so that they can address various issues related to patientcare and care transition and answer any patient questions. This paper discusses the implementation of two different models of patient engagement through MDR to gain input from patients while they are still in the hospital, as opposed to relying on patient satisfaction data, so that hospitals can alter their strategies to educate patients on care plans and help empower them to self-manage their care post-discharge. The MDR is implemented as a process innovation at a comprehensive community teaching hospital in Michigan, with the expectation that it can lead to improved organizational outcomes in both the short run (e.g., reduced length of stay [LOS]) and the long run (e.g., reduced patient readmission and improved patient satisfaction). The hospital implemented MDR in various units as a process innovation to improve patient engagement and patient satisfaction. The initial phase of MDR implementation was nurse-led to gain feedback from patients at three time periods (30, 60 and 90 days) on patient services. The hospital revised the MDR process in the second phase into a doctor led patient education process. While the results to date are not conclusive, they do show how MDR can be used by hospitals to engage patients inside the hospital to gain feedback for continuous improvement, using technology when appropriate, and support patient education on care plans post-discharge.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».