Nursing strategies to improve alert closure for remote symptom monitoring.
Notice bibliographique
Résumé
421 Background: For successful remote symptom monitoring using patient-reported outcomes, nurses should respond to alerts in a timely fashion. Where clinical trials utilized research staff for alert management, the shift to standard-of-care delivery necessitates that this responsibility be added as a task to an already strained nursing workforce. Little is known about strategies to engage nurses to improve timeliness of alert management. Methods: In this quality improvement initiative, we aimed to improve timeliness of alert closures generated by moderate or severe symptoms within a remote symptom monitoring program. Optimal closure was defined as < 48 hours, which was consistent with institutional requirements for response to patient phone calls. A continuous quality improvement approach, with multiple Plan Do Study Act (PDSA) cycles was conducted. Data was captured from the electronic medical record and PRO platform (Carevive). Descriptive statistics included frequencies and percentages. The proportion of alerts closed each month < 48 hours, 48-72 hours, 3-7 days, and > 7 days were reported overall and by disease team (i.e., major cancer types). Surveys not closed were considered > 7 days. The timing of strategies to improve nursing engagement were documented and evaluated for impact on alert closure. Results: From June 1, 2021-May 31, 2022, 1121 moderate or severe alerts were generated from 234 patients. Disease teams had variable remote symptom monitoring start dates: breast, leukemia, and limited gynecologic (prior to 6/2021); myeloma and gastrointestinal (7/2021); genitourinary (10/2021); head and neck (12/2021); melanoma (2/2022); and Lymphoma (4/2022). In 6/2021, the overall alert closure at < 48 hours, 48-72 hours, 3-7 days, and > 7 days was 57%, 4%, 14%, and 25% respectively (n = 28). To improve alert closures, several key strategies were deployed to improve alert closure times including disease-specific reporting and meetings with nursing leadership (10/2021); identification of a nurse champion, creation of “cheat sheets” to remind nurses how to close alerts, and individualized calls with nurses with open alerts (1/2022), and inclusions of requirement to close alerts in nursing newsletters (2/2022). Overall, alert closure less than 48 hours improved to 61% by 12/2021 (n = 97) and to 69% by 5/2022 (n = 167). Disease group alert closure varied, with higher closure more commonly in teams with greater duration of use, such as breast cancer team with an alert closure of 85% < 48 hours in May 2022. Conclusions: Key nursing engagement strategies improve alert closure for remote symptom monitoring programs implemented in real-world settings.
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 | 0,013 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».