Opportunity to inform social needs within a hospital setting using data-driven patient engagement
Notice bibliographique
Résumé
BACKGROUND: High-risk patients account for a disproportionate amount of healthcare use, necessitating the development of care delivery solutions aimed specifically at reducing this use. These interventions have largely been unsuccessful, perhaps due to a lack of attention to patients' social needs and engagement of patients in developing solutions. METHODS: The project team used a combination of administrative data, information culled from charts and interviews with high-risk patients to understand social needs, the current experience of addressing social needs in the hospital, and patient preferences and identified opportunities for improvement. Interviews were conducted in March and April 2020, and patients were asked to reflect on their experiences both before and during the COVID-19 pandemic. RESULTS: A total of 4579 patients with 26 168 visits to the emergency department and 2904 inpatient admissions in the previous year were identified. Qualitative analysis resulted in three themes: (1) the interaction between social needs, demographics, and health; (2) the hospital's role in addressing social needs; and (3) the impact of social needs on experiences of care. Themes related to experiences before and during COVID-19 did not differ. Three opportunities were identified: (1) training for staff related to stigma and trauma, (2) improved documentation of social needs and (3) creation of navigation programmes. DISCUSSION: Certain demographic factors were clearly associated with an increased need for social support. Unfortunately, many factors identified by patients as mediating their need for such support were not consistently captured. Going forward, high-risk patients should be included in the development of quality improvement initiatives and programmes to address social needs.
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 | 0,007 | 0,005 |
| 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 | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».