Impact of an education and multilevel social comparison–based intervention bundle on use of routine blood tests in hospitalised patients at an academic tertiary care hospital: a controlled pre-intervention post-intervention study
Notice bibliographique
Résumé
BACKGROUND: Repetitive inpatient laboratory testing contributes to waste in healthcare. We evaluated an intervention bundle combining education and multilevel social comparison feedback to safely reduce repetitive use of inpatient routine laboratory tests. METHODS: This non-randomised controlled pre-intervention post-intervention study was conducted in four adult hospitals from October 2016 to March 2018. In the medical teaching unit (MTU) of the intervention site, learners received education and aggregate social comparison feedback and attending internists received individual comparison feedback on routine laboratory test utilisation. MTUs of the remaining three sites served as control units. Number and cost of routine laboratory tests ordered per patient-day before and after the intervention was compared with the control units, adjusting for patient factors. Safety endpoints included number of critically abnormal laboratory test results, number of stat laboratory test orders, patient length of stay, transfer rate to the ICU, and 30-day readmission and mortality. RESULTS: A total of 14 000 patients were included. Pre-intervention and post-intervention groups were similar in age, sex, Charlson Comorbidity Index and length of stay. From the pre-intervention period to the post-intervention period, significantly fewer routine laboratory tests were ordered at the intervention MTU (incidence rate ratio=0.89; 95% CI 0.79 to 1.00; p=0.048) with associated costs savings of $C68 877 (p=0.020) as compared with the control sites. The variability in the ordering pattern of internists at the intervention site also decreased post-intervention. No worsening was noted in the safety endpoints between the pre-intervention and post-intervention period at the intervention unit compared with the controls. CONCLUSIONS: led to cost savings through reduced use of routine laboratory tests in hospitalised patients.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».