Virtual frailty screening: A quality improvement project to enhance community-based assessment
Notice bibliographique
Résumé
Conventional approaches to frailty assessment rely on in-person evaluation by health professionals in medical settings. The COVID-19 pandemic drastically limited access to both primary care and face-to-face appointments, highlighting a need for novel and forward-thinking frailty screening methods to bridge this gap. Community-based seniors-serving organizations are well-positioned to implement remote frailty assessment, given its potential to enhance virtual services and referrals. The Clinical Frailty Scale (CFS) was adapted and implemented as Virtual Frailty Screening (VFS), using the Plan-Do-Study-Act (PDSA) framework, in an inner-city organization for older adults. Participants participated in phone assessments by social workers (SWs); in-person visits included the CFS for comparative purposes. As a component of our larger quality improvement initiative, pilot data were analyzed descriptively alongside inferential methods consisting of Kendall's τb, Χ2-test of association, and Wilcoxon matched-pairs signed-rank test. Over 101 older adults were screened, with 79.21 % being assigned as very mild to moderately frail. VFS usage enabled crucial referrals for 70 older adults to receive long-term frailty-specific support and services in the community. Analysis found that the VFS performed similarly to the CFS, established by high convergent validity and alignment between both scales. Findings support the implementation of remote frailty assessment by SWs in community-based seniors serving organizations. This integration bridges immediate service gaps, introducing a transformative approach to frailty assessment which has the potential for scalability. Success was attributed to a multidisciplinary approach with rapid PDSA changes in a nimble organization.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».