Improving Provisioning of an Inpatient Portal: Perspectives from Nursing Staff
Notice bibliographique
Résumé
BACKGROUND: Inpatient portals are recognized to provide benefits for both patients and providers, yet the process of provisioning tablets to patients by staff has been difficult for many hospitals. OBJECTIVE: Our study aimed to identify and describe practices important for provisioning an inpatient portal from the perspectives of nursing staff and provide insight to enable hospitals to address challenges related to provisioning workflow for the inpatient portal accessible on a tablet. METHODS: Qualitative interviews were conducted with 210 nursing staff members across 26 inpatient units in six hospitals within The Ohio State University Wexner Medical Center (OSUWMC) following the introduction of tablets providing access to an inpatient portal, MyChart Bedside (MCB). Interviews asked questions focused on nursing staffs' experiences relative to MCB tablet provisioning. Verbatim interview transcripts were coded using thematic analysis to identify factors associated with tablet provisioning. Unit provisioning performance was established using data stored in the OSUWMC electronic health record about provisioning status. Provisioning rates were divided into tertiles to create three levels of provisioning performance: (1) higher; (2) average; and (3) lower. RESULTS: Three themes emerged as critical strategies contributing to MCB tablet provisioning success on higher-performing units: (1) establishing a feasible process for MCB provisioning; (2) having persistent unit-level MCB tablet champions; and (3) having unit managers actively promote MCB tablets. These strategies were described differently by staff from the higher-performing units when compared with characterizations of the provisioning process by staff from lower-performing units. CONCLUSION: As inpatient portals are recognized as a powerful tool that can increase patients' access to information and enhance their care experience, implementing the strategies we identified may help hospitals' efforts to improve provisioning and increase their patients' engagement in their health care.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».