MétaCan
Menu
Retour à la cohorte
Enregistrement W3073598317 · doi:10.1093/pch/pxaa068.030

31 Strengthening care for infants with medical complexity during the transition from the neonatal intensive care unit to the community

2020· article· en· W3073598317 sur OpenAlexaff
Emily Kieran, Laura Chan, Sandesh Shivananda

Notice bibliographique

RevuePaediatrics & Child Health · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueChild and Adolescent Health
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésStakeholderChampionNeonatal intensive care unitNursingPsychological interventionPopulationMedicineUnit (ring theory)Focus groupPsychologyMedical educationPublic relationsPediatricsBusinessPolitical science

Résumé

récupéré en direct d'OpenAlex

Abstract Background With advances in technology and innovative medical treatments, infants who previously would have died in early infancy are living longer. These infants have significant needs in the medical system and pose challenges in coordinating care from multiple providers, especially after discharge from NICU. Objectives To engage neonatal-to-early-childhood care-transition stakeholders in implementing system-level change to champion the successful transition of infants with medical complexity into early childhood. We believe this engagement activity will spark action amongst stakeholders to adopt best practices leading to improvements in care for this vulnerable patient population. Design/Methods We explored four key care transition related questions: We organized journey mapping and focus groups with NICU alumni families whose children have medical complexity. We conducted a literature review to identify evidence-based interventions. We compiled this information to create evidence briefs that were presented to an interprofessional group of senior stakeholders using the deliberative dialogue approach. Following presentation of the evidence briefs surveys were administered to measure stakeholder intention to act on solutions presented. Results Twenty-five opportunities for improving transitions between hospital and community care teams were identified through engagement with families and project team members (graphic A). These opportunities focused on facilitating clinical navigation, navigating community services, and improving parental mental health. Forty-two stakeholders representing a children’s and women’s hospital, families, community care providers, and provincial bodies were engaged in this project. A rapid review of the literature was carried out using multiple databases searches to ensure comprehensiveness and flexible search strategies to ensure literature was found for all issues. This included a broader search of NICU discharges and nine targeted searches with medical complexity populations. Proposed solutions from stakeholders were further validated through comparisons with the literature and ultimately thirty-five papers were included in the evidence briefs. Specific care interventions were recommended to key healthcare decision makers, such as providing post-discharge care coordination in a specialized complex care clinic, implementing patient-oriented discharge summaries, and facilitating access to mental health resources. Using a seven point Likert scale the majority of stakeholders agreed that both the evidence briefs and deliberative dialogues were very successful in achieving their aim. Stakeholder intention to act on solutions presented in evidence briefs and deliberative dialogues were rated as very likely. Conclusion

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)0,010
score de la tête « metaresearch » (Gemma)0,031
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: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,031
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0040,003
Études des sciences et des technologies0,0030,001
Communication savante0,0040,003
Science ouverte0,0020,006
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,063
Tête enseignante GPT0,359
Écart entre enseignants0,296 · 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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child HealthMême sujetChild and Adolescent HealthTravaux en français237 207