Advancing language concordant care: a multimodal medical interpretation intervention
Notice bibliographique
Résumé
BACKGROUND: Ensuring language concordant care through medical interpretation services (MIS) allows for accurate information sharing and positive healthcare experiences. The COVID-19 pandemic led to a regional halt of in-person interpreters, leaving only digital MIS options, such as phone and video. Due to longstanding institutional practices, and lack of accessibility and awareness of these options, digital MIS remained underused. A Multimodal Medical Interpretation Intervention (MMII) was developed and piloted to increase digital MIS usage by 25% over an 18-month intervention period for patients with limited English proficiency. METHODS: Applying quality improvement methodology, an intervention comprised digital MIS technology and education was trialled for 18 months. To assess intervention impact, the number of digital MIS minutes was measured monthly and compared before and after implementation. A questionnaire was developed and administered to determine healthcare providers' awareness, technology accessibility and perception of MIS integration in the clinical workflow. RESULTS: Digital MIS was used consistently from the beginning of the COVID-19 pandemic (March 2020) and over the subsequent 18 months. The total number of minutes of MIS use per month increased by 44% following implementation of our intervention. Healthcare providers indicated that digital MIS was vital in facilitating transparent communication with patients, and the MMII ensured awareness of and accessibility to the various MIS modalities. CONCLUSION: Implementation of the MMII allowed for an increase in digital MIS use in a hospital setting. Providing digital MIS access, education and training is a means to advance patient-centred and equitable care by improving accuracy of clinical assessments and communication.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».