Availability of Emergency Department Wait Times Information: A Patient-Centered Needs Assessment
Notice bibliographique
Résumé
INTRODUCTION: Many Emergency Departments (ED) publish wait times; however, the patient perspective in what information is requested and the quantity of information to post is limited. METHODS: We conducted a mixed-methods study at a tertiary care academic center. First, we conducted focus groups of 7 patients. We then generated themes following content analysis to create a patient survey. We administered in-person surveys to patients in ED waiting rooms at sites randomized for survey administration. We used preassigned shifts utilized for even patient perspective representation of the 24 hours-a-day/7 days-a-week service. We included waiting room patients over 18 years of age and excluded patients directly referred to a specialty service or who did not speak French or English. We analyzed survey data using descriptive statistics. RESULTS: We identified nine dominant focus group themes: wait time definition, wait time notification, communication, education, patient expectations, utilization of the ED, patient behaviour, physical comfort, and patient empowerment. Of the 240 patient questionnaires administered, 81.3% of respondents wanted to know ED wait times before hospital arrival hospital and 90.8% wanted ED wait times posted in the waiting room. Website (46.7%) was the most popular choice for publishing wait times outside the ED. Within the ED, patients had no preference regarding display modality, if times were displayed (39.6%). Overall, 76.7% stated that their satisfaction with the ED would be improved if wait times were posted. CONCLUSION: ED patients strongly supported having access to wait time information. Patients believed having wait time information will have a positive impact on their overall ED satisfaction.
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 | 0,001 |
| 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 | 0,000 | 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) | 0,050 | 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 ».