Patient-centered approaches to targeting incomplete bowel preparations for inpatient colonoscopies
Notice bibliographique
Résumé
BACKGROUND: A high-quality colonoscopy bowel prep is vital to completing the procedure. Adequate inpatient bowel preparation has been consistently difficult to achieve because of multiple factors. Incomplete bowel prep can lead to repeated colonoscopies, poor patient experience, increased costs, and prolonged hospitalization. This study aimed to develop patient-centered interventions to optimize bowel prep for inpatients undergoing colonoscopy. METHODS: The Model for Improvement and Donabedian frameworks guided this project. An interdisciplinary team compiled quality improvement tools that identified areas for improvement. Interventions development included a nursing tip sheet for troubleshooting symptoms, a standardized order label and a patient educational placemat. Plan-Do-Study-Act (PDSA) cycles were carried out to test and analyze the effects of the interventions. The project aim was a 30% reduction in incomplete inpatient colonoscopies from poor bowel prep. Process measures included the number of colonoscopy split prep order labels, and placemats used. The balancing measure was the number of repeat colonoscopies. RESULTS: Prior to the intervention, 44% (44/99) of inpatient colonoscopies had poor bowel prep resulting in 10 repeat procedures (10%). Post intervention, 60% (28/47) of the colonoscopies used the standardized label, 66% of physician orders used 2-L split prep, and 80% of patients were provided with the educational placemat. Of the 47 colonoscopies audited post intervention, there was a significant decrease in poor prep (27.7% [13/47], P=0.038) for colonoscopies. The percentage of repeated colonoscopies decreased to 4% (2/47). CONCLUSION: Developing simple and easy-to-use patient-centered interventions can effectively improve colonoscopy preparation for hospitalized 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 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 | 0,000 | 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 | 0,000 | 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 ».