Patient and Provider Experiences With a Digital App to Improve Compliance With Enhanced Recovery After Surgery (ERAS) Protocols: Mixed Methods Evaluation of a Canadian Experience
Notice bibliographique
Résumé
BACKGROUND: Of all the care provided in health care systems, major surgical interventions are the costliest and can carry significant risks. Enhanced Recovery After Surgery (ERAS) is a bundle of interventions that help improve patient outcomes and experience along their surgical journey. However, given that patients can be overwhelmed by the multiple tasks that they are expected to follow, a digital application, the ERAS app, was developed to help improve the implementation of ERAS. OBJECTIVE: The objective of this work was to conduct a thorough assessment of patient and provider experiences using the ERAS app. METHODS: Patients undergoing colorectal or gynecological oncology surgery at 2 different hospitals in the province of Alberta, Canada, were invited to use the ERAS app and report on their experiences using it. Likewise, care providers were recruited to participate in this study to provide feedback on the performance of this app. Data were collected by an online survey and using qualitative interviews with participants. NVivo was used to analyze qualitative interview data, while quantitative data were analyzed using Excel and SPSS. RESULTS: Overall, patients found the app to be helpful in preparation for and recovery after surgery. Patients reported having access to reliable unbiased information regarding their surgery, and the app provided them with clarity of actions needed along their surgical journey and enhanced the self-management of their care. Clinicians found that the ERAS app was easy to navigate, was simple for older adults, and has the potential to decrease unnecessary visits and phone calls to care providers. Overall, this proof-of-concept study on the use of a digital health app to accompany patients during their health care journey has shown positive results. CONCLUSIONS: This is an important finding considering the massive investment and interest in promoting digital health in health care systems around the world.
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 | 0,039 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».