MétaCan
Menu
Retour à la cohorte
Enregistrement W4224307255 · doi:10.2196/36208

Automated Intraoperative Short Messaging Service Updates: Quality Improvement Initiative to Relieve Caregivers’ Worries

2022· article· en· W4224307255 sur OpenAlexaffvenue
Alexandre Mignault, Éric Tchouaket Nguemeleu, Stéphanie Robins, Éric Maillet, Edwige Matetsa, Stéphane Dupuis

Notice bibliographique

RevueJMIR Perioperative Medicine · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueFamily and Patient Care in Intensive Care Units
Établissements canadiensUniversité de SherbrookeUniversité du Québec en OutaouaisCentre Hospitalier de l’Université de Montréal
Organismes subventionnairesnon disponible
Mots-clésMedicineAnxietyPhoneNursingHealth carePatient satisfactionService (business)Medical emergencyPsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Undergoing a surgical procedure is anxiety provoking for patients and their caregivers. During the intraoperative period, caregivers seek out informational updates from health care professionals, a situation complicated by COVID-19 health measures that require caregivers to wait outside the hospital. Short messaging service (SMS)-based communication that allows caregivers to follow their loved ones through surgery has shown promise in relieving anxiety and improving satisfaction with overall care. This form of communication is also well accepted by health care professionals and may be effective at relieving staff burden. OBJECTIVE: Here, we describe a quality improvement initiative of a standardized and integrated intraoperative SMS-based system to improve communication between surgical teams and caregivers. The main goal was to improve satisfaction with care, while the secondary goal was to reduce caregiver anxiety. METHODS: The initiative followed the framework of the Model for Improvement. A large tertiary care hospital offered the SMS to caregivers who were waiting for loved ones undergoing surgery. SMS messages were integrated into the clinical information system software and sent at key points during the surgical journey to phone numbers provided by caregivers. A satisfaction survey was sent to caregivers 1 business day after surgery. Data were collected between February 16 and July 14, 2021. RESULTS: Of the 8129 surgeries scheduled, caregivers waiting for 6149 (75.6%) surgeries agreed to receive SMS messages. A total of 34,129 messages were sent. The satisfaction survey was completed by 2088 (34%) of the 6149 caregivers. Satisfaction with messages was high, with the majority of respondents reporting that the messages received were adequate (1476/2085, 70.8%), clear (1545/2077, 74.4%), informative (1488/2078, 71.6%), and met their needs (1234/2077, 59.4%). The overall satisfaction score was high (4.5 out of 5), and caregivers reported that receiving text messages resulted in a reduction in anxiety (score=8.2 out of 10). Technical errors were reported by 69 (3.3%) caregivers. Suggestions for improvements included having messages sent more often; providing greater patient details, including the patient's health status; and the service being offered in other languages. CONCLUSIONS: This digital health initiative provided SMS messages that were systematically sent to caregivers waiting for their loved ones undergoing surgery, just as COVID-19 restrictions began preventing waiting onsite. The messages were used across 15 surgical specialties and have since been implemented hospital-wide. Digital health care innovations have the capacity to improve family-centered communication; what patients and their families find useful and appreciate will ultimately determine their success.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,086
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0030,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,130
Tête enseignante GPT0,450
Écart entre enseignants0,319 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJMIR Perioperative MedicineMême sujetFamily and Patient Care in Intensive Care UnitsTravaux en français237 207