MétaCan
Menu
Retour à la cohorte
Enregistrement W4400261223 · doi:10.2196/54774

Hospital Staff Perspectives on the Drivers and Challenges in Implementing a Virtual Rehabilitation Ward: Qualitative Study

2024· article· en· W4400261223 sur OpenAlexvenueno aff
Leanne Greene, Miia Rahja, Kate Laver, V. Wong, Chris Leung, Maria Crotty

Notice bibliographique

RevueJMIR Aging · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueFrailty in Older Adults
Établissements canadiensnon disponible
Organismes subventionnairesAustralian Government
Mots-clésNursingQualitative researchInteroperabilityPopulationMedicineRehabilitationValue propositionMedical emergencyPsychologyBusinessComputer sciencePhysical therapy

Résumé

récupéré en direct d'OpenAlex

Background: Over the past decade, the adoption of virtual wards has surged. Virtual wards aim to prevent unnecessary hospital admissions, expedite home discharge, and enhance patient satisfaction, which are particularly beneficial for the older adult population who faces risks associated with hospitalization. Consequently, substantial investments are being made in virtual rehabilitation wards (VRWs), despite evidence of varying levels of success in their implementation. However, the facilitators and barriers experienced by virtual ward staff for the rapid implementation of these innovative care models remain poorly understood. Objective: This paper presents insights from hospital staff working on an Australian VRW in response to the growing demand for programs aimed at preventing hospital admissions. We explore staff's perspectives on the facilitators and barriers of the VRW, shedding light on service setup and delivery. Methods: Qualitative interviews were conducted with 21 VRW staff using the Nonadoption, Abandonment, Scale-up, Spread, and Sustainability (NASSS) framework. The analysis of data was performed using framework analysis and the 7 domains of the NASSS framework. Results: The results were mapped onto the 7 domains of the NASSS framework. (1) Condition: Managing certain conditions, especially those involving comorbidities and sociocultural factors, can be challenging. (2) Technology: The VRW demonstrated suitability for technologically engaged patients without cognitive impairment, offering advantages in clinical decision-making through remote monitoring and video calls. However, interoperability issues and equipment malfunctions caused staff frustration, highlighting the importance of promptly addressing technical challenges. (3) Value proposition: The VRW empowered patients to choose their care location, extending access to care for rural communities and enabling home-based treatment for older adults. (4) Adopters and (5) organizations: Despite these benefits, the cultural shift from in-person to remote treatment introduced uncertainties in workflows, professional responsibilities, resource allocation, and intake processes. (6) Wider system and (7) embedding: As the service continues to develop to address gaps in hospital capacity, it is imperative to prioritize ongoing adaptation. This includes refining the process of smoothly transferring patients back to the hospital, addressing technical aspects, ensuring seamless continuity of care, and thoughtfully considering how the burden of care may shift to patients and their families. Conclusions: In this qualitative study exploring health care staff's experience of an innovative VRW, we identified several drivers and challenges to implementation and acceptability. The findings have implications for future services considering implementing VRWs for older adults in terms of service setup and delivery. Future work will focus on assessing patient and carer experiences of the VRW.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,387

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,368
Écart entre enseignants0,332 · 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 tête enseignante, pas un consensus.

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

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR AgingMême sujetFrailty in Older AdultsTravaux en français237 207