Implementation of the I‐PASS handoff program in diverse clinical environments: A multicenter prospective effectiveness implementation study
Notice bibliographique
Résumé
BACKGROUND: Handoff miscommunications are a leading source of medical errors. Harmful medical errors decreased in pediatric academic hospitals following implementation of the I-PASS handoff improvement program. However, implementation across specialties has not been assessed. OBJECTIVE: To determine if I-PASS implementation across diverse settings would be associated with improvements in patient safety and communication. DESIGN: Prospective Type 2 Hybrid effectiveness implementation study. SETTINGS AND PARTICIPANTS: Residents from diverse specialties across 32 hospitals (12 community, 20 academic). INTERVENTION: External teams provided longitudinal coaching over 18 months to facilitate implementation of an enhanced I-PASS program and monthly metric reviews. MAIN OUTCOME AND MEASURES: Systematic surveillance surveys assessed rates of resident-reported adverse events. Validated direct observation tools measured verbal and written handoff quality. RESULTS: 2735 resident physicians and 760 faculty champions from multiple specialties (16 internal medicine, 13 pediatric, 3 other) participated. 1942 error surveillance reports were collected. Major and minor handoff-related reported adverse events decreased 47% following implementation, from 1.7 to 0.9 major events/person-year (p < .05) and 17.5 to 9.3 minor events/person-year (p < .001). Implementation was associated with increased inclusion of all five key handoff data elements in verbal (20% vs. 66%, p < .001, n = 4812) and written (10% vs. 74%, p < .001, n = 1787) handoffs, as well as increased frequency of handoffs with high quality verbal (39% vs. 81% p < .001) and written (29% vs. 78%, p < .001) patient summaries, verbal (29% vs. 78%, p < .001) and written (24% vs. 73%, p < .001) contingency plans, and verbal receiver syntheses (31% vs. 83%, p < .001). Improvement was similar across provider types (adult vs. pediatric) and settings (community vs. academic).
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 | 0,019 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».