I-CATCH: A Novel Bundle to Improve Postcall Morning Handoffs
Notice bibliographique
Résumé
ABSTRACT Background Conducting postcall morning handoffs using a resident handoff bundle such as I-PASS can prove challenging. This may delay recognizing and acting on clinically important patient issues that arose overnight. Objective We developed and implemented the I-CATCH morning handoff bundle and evaluated its impact on the proportion of overnight patient issues handed off from the on-call resident to the daytime team. Methods We evaluated the I-CATCH (Identify patient; Characterize situation; Action–what was done overnight?; To do for the team in the morning; Confirm the Handoff) handoff bundle from November 2015 to May 2016 on general internal medicine wards at 1 academic teaching hospital. The bundle entailed staff/resident training, structured communication, and dedicated handoff space and time. We compared handoffs of overnight on-call issues by evening resident to daytime medical team before and after implementation, and used statistical process control to analyze adherence to the mnemonic. Results We observed 435 handoffs (242 pre- and 193 postimplementation) over 63 days. There was no significant association between I-CATCH implementation and proportion of on-call overnight issues handed off (OR = 0.96; 95% confidence interval [CI] 0.52–1.47; P = .85). Running the list by going through patients one-by-one (OR = 1.74; 95% CI 1.1–2.77; P = .019), progress note documentation (OR = 3.80; 95% CI 2.19–6.60; P < .001), and direct handoff (OR = 4.84; 95% CI 1.43–16.42; P = .011) correlated with an increased likelihood of morning handoff. Conclusions Implementing the I-CATCH bundle did not improve handoff of overnight issues to the daytime team.
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 | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».