Assessing patient autonomy in the context of <scp>TeamBirth</scp>, a quality improvement intervention to improve shared decision‐making during labor and birth
Notice bibliographique
Résumé
BACKGROUND: Respectful maternity care includes shared decision-making (SDM). However, research on SDM is lacking from the intrapartum period and instruments to measure it have only recently been developed. TeamBirth is a quality improvement initiative that uses team huddles to improve SDM during labor and birth. Team huddles are structured meetings including the patient and full care team when the patient's preferences, care plans, and expectations for when the next huddle will occur are reviewed. METHODS: We used patient survey data (n = 1253) from a prospective observational study at four U.S. hospitals to examine the relationship between TeamBirth huddles and SDM. We measured SDM using the Mother's Autonomy in Decision-Making (MADM) scale. Linear regression models were used to assess the association between any exposure to huddles and the MADM score and between the number of huddles and the MADM score. RESULTS: In our multivariable model, experiencing a huddle was significantly associated with a 3.13-point higher MADM score. When compared with receiving one huddle, experiencing 6+ huddles yielded a 3.64-point higher MADM score. DISCUSSION: Patients reporting at least one TeamBirth huddle experienced significantly higher SDM, as measured by the MADM scale. Our findings align with prior research that found actively involving the patient in their care by creating structured opportunities to discuss preferences and choices enables SDM. We also demonstrated that MADM is sensitive to hospital-based quality improvement, suggesting that future labor and birth interventions might adopt MADM as a patient-reported experience measure.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».