MétaCan
Menu
Retour à la cohorte
Enregistrement W2994094633 · doi:10.12927/hcq.2014.23655

Managing Access and Flow through Appropriate Discharge: Preventing Common Errors and Improving Processes

2013· article· en· W2994094633 sur OpenAlexaff
Paula Chidwick, Robert Sibbald, Terri-Lynn Hansen, Christopher M. Parkes

Notice bibliographique

RevueHealthcare Quarterly · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensLondon Health Sciences CentreWestern UniversityWilliam Osler Health System
Organismes subventionnairesnon disponible
Mots-clésProcess (computing)Health careBest practiceAcute careMedicineMedical emergencyProcess managementIntensive care medicineBusinessOperations managementNursingComputer scienceEngineeringPolitical science

Résumé

récupéré en direct d'OpenAlex

Increased pressure on acute care hospitals to move patients seamlessly through the healthcare system has resulted in more attention to the process of discharging patients, particularly seniors, from hospitals. When alignment with the Health Care Consent Act is lacking, errors can occur in the process. Examples of mistakes by healthcare professionals include these: taking direction from the wrong substitute decision-maker (SDM); taking direction from a family member when the patient is capable; allowing an SDM to make an advance directive on behalf of a patient; being aware of a known prior expressed wish but ignoring that wish when considering a placement plan; waiting for an SDM who is not available, willing and capable instead of proceeding down the hierarchy of decision-makers; or permitting families to propose discharge plans. Such errors have the potential to compromise quality of care, but they also work to prevent timely and appropriate discharge. In order to minimize these common errors in the consent process for placements, we have proposed a checklist to help meet ethical and legal obligations in the discharge process. We suggest the checklist may minimize avoidable conflict and misunderstanding and promote a seamless discharge process.

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)0,152
score de la tête « metaresearch » (Gemma)0,413
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,152
Score d'incertitude au seuil0,804

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1520,413
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0090,006
Études des sciences et des technologies0,0100,008
Communication savante0,0150,023
Science ouverte0,0060,017
Intégrité de la recherche0,0060,007
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,045
Tête enseignante GPT0,298
Écart entre enseignants0,253 · 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'étudeSans objet
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

Citations1
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealthcare QuarterlyMême sujetHealthcare Policy and ManagementTravaux en français237 207