Implementation of delirium screening in the emergency department: A qualitative study with early adopters
Notice bibliographique
Résumé
INTRODUCTION: Delirium affects 15% of older adults presenting to emergency departments (EDs) but is detected in only one-third of cases. Evidence-based guidelines for ED delirium screening exist, but are underutilized. Frontline staff perceptions about delirium and time and resource constraints are known barriers to ED delirium screening uptake. Early adopters of ED delirium screening can offer valuable lessons about successful implementation. METHODS: We conducted semi-structured interviews with clinician-administrators leading ED delirium screening initiatives from 20 EDs in the United States and Canada. Interviews focused on experiences of planning and implementing ED delirium screening. Interviews lasted 15 to 50 minutes and were digitally recorded and transcribed. To identify factors that commonly impacted implementation of ED delirium screening, we used constructs from the Consolidated Framework for Implementation Research (CFIR), an Implementation Science framework widely used to evaluate healthcare improvement initiatives. RESULTS: Overall, notable facilitators of successful implementation were having institutional and ED leadership support and designated clinical champions to longitudinally engage and educate frontline staff. We found specific examples of factors affecting implementation drawn from the following seven CFIR constructs: (1) intervention complexity, (2) intervention adaptability, (3) external policies and incentives, (4) peer pressure from other institutions, (5) the implementation climate of the ED, (6) staff knowledge and beliefs, and (7) engaging deliverers of intervention, that is, frontline ED staff. CONCLUSION: Implementing ED delirium screening is complex and requires institutional resources as well as clinical champions to engage frontline staff in a sustained fashion.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».