Improving the efficiency of virtual insulin teaching for patients admitted to hospital through the COVID-19 pandemic: a quality improvement initiative
Notice bibliographique
Résumé
BACKGROUND: Throughout the COVID-19 pandemic, many areas of medicine transitioned to virtual care. For patients with diabetes admitted to hospital, this included diabetes education and insulin teaching. Shifting to a virtual model of insulin teaching created new challenges for inpatient certified diabetes educators (CDE). OBJECTIVE: We advanced a quality improvement project to improve the efficiency of safe and effective virtual insulin teaching throughout the COVID-19 pandemic. Our primary aim was to reduce the mean time between CDE referral to successful inpatient insulin teach by 0.5 days. DESIGN, SETTING, PARTICIPANTS: We conducted this initiative at two large academic hospitals between April 2020 and September 2021. We included all admitted patients with diabetes who were referred to our CDE for inpatient insulin teaching and education. INTERVENTION: Alongside a multidisciplinary team of project stakeholders, we created and studied a CDE-led, virtual (video conference or telephone) insulin teaching programme. As tests of change, we added a streamlined method to deliver insulin pens to the ward for patient teaching, created a new electronic order set and included patient-care facilitators in the scheduling process. MAIN OUTCOME AND MEASURES: Our main outcome measure was the mean time between CDE referral and successful insulin teach-back. Our process measure was the percentage of successful insulin pen deliveries to the ward for teaching. As balance measures, we captured the percentage of patients with a successful insulin teach, the time between insulin teach and hospital discharge, and readmissions to hospital for diabetes-related complications. RESULTS: Our tests of change improved the efficiency of safe and effective virtual insulin teaching by 0.27 days. The virtual model appeared less efficient than usual in-person care. CONCLUSIONS: In our centre, virtual insulin teaching supported patients admitted to hospital through the pandemic. Improving the administrative efficiency of virtual models and leveraging key stakeholders remain important for long-term sustainability.
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 | 0,041 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».