Approaches to optimize patient and family engagement in hospital planning and improvement: Qualitative interviews
Notice bibliographique
Résumé
BACKGROUND: Patient engagement (PE) in health-care planning and improvement is a growing practice. We lack evidence-based guidance for PE, particularly in hospital settings. This study explored how to optimize PE in hospitals. METHODS: This study was based on qualitative interviews with individuals in various roles at hospitals with high PE capacity. We asked how patients were engaged, rationale for approaches chosen and solutions for key challenges. We identified themes using content analysis. RESULTS: Participants included 40 patient/family advisors, PE managers, clinicians and executives from 9 hospitals (2 < 100 beds, 4 100 + beds, 3 teaching). Hospitals most frequently employed collaboration (standing committees, project teams), followed by blended approaches (collaboration + consultation), and then consultation (surveys, interviews). Those using collaboration emphasized integrating perspectives into decisions; those using consultation emphasized capturing diverse perspectives. Strategies to support engagement included engaging diverse patients, prioritizing what benefits many, matching patients to projects, training patients and health-care workers, involving a critical volume of patients, requiring at least one patient for quorum, asking involved patients to review outputs, linking PE with the Board of Directors and championing PE by managers, staff and committee/team chairs. CONCLUSION: This research generated insight on concrete approaches and strategies that hospitals can use to optimize PE for planning and improvement. On-going research is needed to understand how to recruit diverse patients and best balance blended consultation/collaboration approaches. PATIENT OR PUBLIC CONTRIBUTION: Three patient research partners with hospital PE experience informed study objectives and interview questions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».