SP4.1.6 Introduction of Concentric digital and remote consent into clinical practice during the COVID-19 pandemic
Notice bibliographique
Résumé
Abstract Introduction Paper-based consent processes are associated with errors of omission, illegibility and unwarranted variation. During the COVID-19 pandemic the Royal College of Surgeons (England) released guidelines supporting the use of remote consent. The aim was to evaluate the introduction of Concentric, a digital consent application, into clinical practice. Method Between April 2020-Jan 2021, Concentric was used optionally for medical consent during registered service evaluations. Data was obtained from Concentric analytics. User and patient feedback was obtained via optional satisfaction surveys. Results 3417 Concentric consent episodes for 356 unique procedures were performed by 170 clinicians across 16 specialties from 13 healthcare providers. Patients were aged 7-101years, (median 58, IQR 30). Of the completed consent episodes (n = 2799), consent was given; remotely in 23% of episodes, and on the day of surgery in 67%. Consent form information was shared digitally with 82% of patients. Average patient user experience was 8.8 out of 10 (1 very poor - 10 excellent, n = 594). 546/594 (91.9%) patients agreed that Concentric provided all the information they needed to know. Clinicians (n = 23) rated the quality of the consent process with Concentric as 4.8 out of 5 with all supporting the use of Concentric across the Trust. Conclusion Concentric has been successfully introduced into clinical practice. Patients and clinicians report high satisfaction scores. Remote consent is feasible and trends in consent practice, such as day of surgery consent can be easily identified and can guide quality improvement work. The introduction of digital consent solutions should be considered for all units.
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 | 0,002 | 0,022 |
| 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 ».