Implementing the patient care collaborative model in three general internal medicine units: a mixed-methods healthcare improvement initiative
Notice bibliographique
Résumé
Background As part of the scale-up of the Patient Care Collaborative (PCC) at our institution, we explored staff perceptions and patient outcomes at different levels of model implementation in three general internal medicine units. Methods We conducted a mixed-methods embedded experimental healthcare improvement initiative. In the qualitative strand, we conducted five focus group discussions. In the quantitative strand, we used hospital administrative data to compare outcomes (falls per 1000, median length of stay in days and resource use measured as resource intensity weights (RIW), before and after the implementation of the PCC, using χ 2 tests, Wilcoxon’s rank sum tests and interrupted time series analyses. Results Staff showed considerable knowledge and acceptance of the PCC but expressed mixed feelings with regards to patient safety, workload, communication and teamwork. Staff perceptions varied by level of implementation of the PCC. A number of falls (overall) in the full implementation phase were not significantly different from the preimplementation phase (227 per 1000 vs 200 per 1000; p=0.449), but the number of moderate to severe falls dropped (12 vs 2 per 1000); p<0.001). Median length of stay (5 vs 6 days; p<0.001) and resource use were lower (0.1 vs 0.4; p<0.001) in the full implementation phase compared with the preimplementation phase. The trend analyses showed differences across units. Conclusions The PCC was moderately well adopted. Perceptions of the PCC among staff and patient outcomes are likely linked to the levels of implementation. The PCC resulted in improved safety, shorter hospital stays and lower costs of care.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».