MétaCan
Menu
← Retour à la cohorte
Enregistrement W4386789266 · doi:10.33137/utjph.v4i1.40517

Prescribing cellular phones to patients helps emergency physicians and staff provide care

2023· article· en· W4386789266 sur OpenAlexaffabout
Galo F. Ginocchio, Jennifer Hulme, Evelyn Marion Dell, Tali Fedorovsky, K Janes, Brielle Bossin, Hannah Girdler, Andrea Somers

Notice bibliographique

RevueUniversity of Toronto Journal of Public Health · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensToronto Western HospitalUniversity of TorontoUniversity Health NetworkToronto General HospitalSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésIntervention (counseling)PhoneEmergency departmentLikert scaleHealth careDescriptive statisticsMedicineDisadvantageFamily medicineScale (ratio)NursingPsychologyMedical emergencyComputer science

Résumé

récupéré en direct d'OpenAlex

Background: Emergency Department (ED) patients experiencing disadvantage (e.g., homelessness, addictions) can have limited access to cellular phones. This barrier can affect access to follow-up health care, connecting with community resources, and communicating with friends and family. PHONE-CONNECT is an intervention providing free cellular phones and prepaid plans to patients who do not have them. This intervention allows ED-based health care workers, such as social workers, nurses and physicians, to facilitate follow-up care with patients in their transition from hospital to community. Objective: To explore how the intervention affects health care workers in the emergency department, including those facilitating implementation. Methods: We used valid and reliable implementation science outcome measures - Acceptability, Appropriateness, and Feasibility of Intervention Measures - informed by a Realist Evaluation approach to explore how, why, and for whom the intervention works best. Staff trained in data collection deployed anonymous in-person and online surveys across 3 academic ED's in Toronto, Ontario. Respondents were registered nurses, medical doctors, social workers, and peer-based staff. Survey questions focused on implementation, and perceived impact of the intervention. Questions were scored on a 5-point Likert scale ranging from Completely disagree [1] to Completely Agree [5]. Data were analyzed using descriptive statistics and aggregate scores were calculated in Microsoft Excel. Results: 142 survey responses were collected between August and September 2022. Respondents agree that the intervention is acceptable (84.5%), appropriate (83.9%), and feasible (80.4%). A subset of 46 respondents facilitating the intervention reported that it improves their ability to meet the health (92.9%) and social needs of patients (91.4%); facilitate follow-up care (91.9%) and disposition planning while in the ED (88.1%); and improves the quality of care provided (90.5%). Distributing phones was reported to be worth the cumulative time and effort (91.7%), and was felt to reduce experiences of moral distress (82.4%) and burnout (69%). Conclusion: PHONE-CONNECT is feasible, acceptable, and appropriate in the ED. It empowers physicians and health care workers to provide high quality care, while reducing moral distress and burnout. Novel ED-based interventions are efficacious ways to bridge gaps in care experienced by patients in their transition from hospital to community. Though challenging with this population, future work exploring patient experiences will help optimize outcomes and further streamline the process of phone delivery and utilization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,019
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,002

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,318
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUniversity of Toronto Journal of Public Health→Même sujetDigital Mental Health Interventions→Travaux en français237 207→