Comparing Adherence with Best Practices in End-of-Life Care After Implementing the End-of-Life Order Set: A Quality Improvement Project in an Ottawa Academic Hospital
Notice bibliographique
Résumé
Background: Physicians in acute care require tools to assist them in transitioning patients from a "life prolonging" approach to "end-of-life care," and standardized order sets can be a useful strategy. The end-of-life order set (EOLOS) was developed and implemented in the medical wards of a community academic hospital. Objective: To compare adherence with best practices in end-of-life care after implementing the EOLOS. Methods: We conducted a retrospective chart review of admitted patients with expected deaths in the year preceding EOLOS implementation ("before EOLOS" group), and in the 12 to 24 months following EOLOS implementation ("after EOLOS" group). Results: A total of 295 charts were included: 139 (47%) in the "before EOLOS" group and 156 (53%) in the "after EOLOS" group, of which 117/156 charts (75%) had a completed EOLOS. The "after EOLOS" group demonstrated more "do not resuscitate" orders and more written communication to team members about comfort goals of care. There was a decrease in nonbeneficial interventions in the last 24 hours of life in the "after EOLOS" group: high-flow oxygen, intravenous antibiotics, and deep vein thrombosis/venous thromboembolism prophylaxis. The "after EOLOS" group demonstrated increased prescription of all common end-of-life medications, except for opioids, which had a high preexisting rate of prescription. Patients in the "after EOLOS" group showed a higher rate of spiritual care and palliative care consult team consultation. Conclusion: Findings support standardized order sets as a good framework allowing generalist hospital staff to improve adherence to established palliative care principles and improve end-of-life care of hospital inpatients.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».