Virtual Acute Psychiatric Ward: Evaluation of Outcomes and Cost Savings
Notice bibliographique
Résumé
OBJECTIVE: The COVID-19 pandemic motivated rapid expansion of virtual care. In Winnipeg, Canada, the authors launched a virtual psychiatric acute care ward (vWARD) to divert patients from hospitalization through daily remote treatment by a psychiatry team using telephone or videoconferencing. This study examined vWARD patient characteristics, predictors of transfer to a hospital, use of acute care postdischarge, and costs of the vWARD compared with in-person hospitalization. METHODS: Data for all vWARD admissions from March 23, 2020, to April 30, 2021, were retrieved from program documents and electronic records. Emergency department visits and hospitalizations in the 6 months before admission and the 30 days after discharge were documented. Logistic regression identified factors associated with transfer to a hospital. Thirty-day acute care use after discharge was modeled with Kaplan-Meier curves. A break-even cost analysis was generated with data for usual hospital-based care. RESULTS: The 132 vWARD admissions represented a diverse demographic and clinical population. Overall, 57% involved suicidal behavior, and 29% involved psychosis or mania. Seventeen admissions (13%) were transferred to a hospital. Only presence of psychosis or mania significantly predicted transfer (OR=34.2, 95% CI=3.3-354.6). Eight individuals were hospitalized in the 30 days postdischarge (cumulative survival=0.93). vWARD costs were lower than usual care across several scenarios. CONCLUSIONS: A virtual ward is a feasible, effective, and potentially cost-saving intervention to manage acute psychiatric crises in the community and avoid hospitalization. It has benefits for both the health system and the individual who prefers to receive care at home.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».