Developing a toolkit to improve resident and family engagement in the safety of assisted living: Engage—A stakeholder‐engaged research protocol
Notice bibliographique
Résumé
Assisted living (AL) communities are experiencing rising levels of resident acuity, challenging efforts to balance person-centered care-which prioritizes personhood, autonomy, and relationship-based care practices-with efforts to keep residents safe. Safety is a broad-scale problem in AL that encompasses care concerns (e.g., abuse/neglect, medication errors, inadequate staffing, and infection management) as well as resident issues (e.g., falls, elopement, and medical emergencies). Person and family engagement (PFE) is one approach to achieving a balance between person-centered care and safety. In other settings, PFE interventions have improved patient care processes, outcomes, and experiences. In this paper, we describe the protocol for a multiple methods AHRQ-funded study (Engage) to develop a toolkit for increasing resident and family engagement in AL safety. The study aims are to engage AL residents and family caregivers, AL staff, and other AL stakeholders to (1) identify common AL safety problems; (2) prioritize safety problems and identify and evaluate existing PFE interventions with the potential to address safety problems in the AL setting; and (3) develop a testable toolkit to improve PFE in AL safety. We discuss our methods, including qualitative interviews, a scoping review of existing PFE interventions, and stakeholder panel meetings that involved a Delphi priority-setting exercise. In addition to describing the protocol, we detail how we modified the protocol to address the unique challenges of the COVID-19 pandemic. Study findings will result in a toolkit to improve resident and family engagement in the safety of AL that will be tested in future research.
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 | 0,190 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,009 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,014 |
| 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 ».