MétaCan
Menu
Retour à la cohorte
Enregistrement W2887701182 · doi:10.1080/17538157.2018.1496090

Using integrated technology to create quality care for older adults: a feasibility study

2018· article· en· W2887701182 sur OpenAlexafffund
Rima C. Tarraf, Esther Suter, Mubashir Arain, Arden Birney, Omenaa Boakye, Pierre Boulanger, Cheryl A Sadowski

Notice bibliographique

RevueInformatics for Health and Social Care · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueHealthcare Technology and Patient Monitoring
Établissements canadiensUniversity of AlbertaUniversity of CalgaryAlberta Health Services
Organismes subventionnairesCanadian Frailty Network
Mots-clésTimelineMedicineData collectionMedical emergencyLimitingHealth careNursingEngineering

Résumé

récupéré en direct d'OpenAlex

PURPOSE: Slow changes in older adults' health status are often not detected until they escalate. Our aim was to understand if e-technology can enhance the safety and quality of older adult care by detecting changes in health status early. METHODS: E-technology was implemented with 30 seniors in an assisted living facility. We used wireless devices to monitor blood pressure, oxygen saturation, weight, and hydration. This 1-year feasibility study included: a readiness assessment, procuring devices, developing an alert software, training staff, and weekly monitoring for several months. RESULTS: Analysis of service utilization data showed no significant differences in number of emergency or hospital visits between the intervention and control group. Qualitative data suggested residents were satisfied with the e-technology. Among staff, several saw value in weekly monitoring, however staff emphasized the need for devices to be suitable for older adults. CONCLUSION: It is imperative that researchers work with facilities to ensure there is value-added in implementing new technology. Staff feedback helped fine-tune devices, training materials, and measurement process. It took longer than anticipated to procure suitable devices, set up the software, and recruit residents, thus limiting data collection. Future studies should dedicate more time to implementation and propose longer timelines.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,027
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,027
Score d'incertitude au seuil0,142

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0270,024
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,002
Communication savante0,0010,003
Science ouverte0,0010,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,104
Tête enseignante GPT0,491
Écart entre enseignants0,386 · 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 source (Gemma direct ou Codex distillé), 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

Citations6
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInformatics for Health and Social CareMême sujetHealthcare Technology and Patient MonitoringTravaux en français237 207