Effectiveness of a Multi-component Delirium Prevention Program Implemented on General Medicine Hospital Units: an Interrupted Time Series Analysis
Notice bibliographique
Résumé
BACKGROUND: Delirium is among the most prevalent harmful events in hospitals that is associated with an elevated risk for severe outcomes such as functional decline, falls, longer length of stay, and increased mortality. OBJECTIVE: To evaluate the impact of the implementation of a multi-component delirium program on the prevalence of delirium and the incidence of falls among patients staying on general medicine inpatient hospital units. DESIGN: A pre-post intervention study using retrospective chart abstraction and interrupted time series analysis. COHORT: Patients were selected from adult patients that stayed at least 1 day on one of the five general medicine units in a large community hospital in Ontario, Canada. A total of 16 random samples of 50 patients per month for 8 consecutive months pre-intervention (October 2017 to May 2018) and 8 months post intervention (January 2019 to August 2019) were selected for a total of 800 patients. There were no exclusion criteria. INTERVENTION: The delirium program included multiple components: education of staff and hospital leadership, twice per day bed-side screen for delirium, non-pharmacological and pharmacological prevention, and intervention strategies and a delirium consultation team. MEASUREMENT: Delirium prevalence was assessed using the evidence-based delirium chart abstraction method, CHART-del. Demographic data as well as fall incidence were also collected. RESULT: Our evaluation showed that the implementation of a multicomponent delirium program led to a reduction in delirium prevalence and fall incidences. The reduction in both delirium and falls was the largest for patients in the ages between 72 and 83 years old and varied across inpatient units. CONCLUSION: A multi-component delirium program to improve the prevention, recognition, and management of delirium reduces the prevalence of delirium and fall incidence among patients in general medicine units.
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 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».