Caregivers’ burden of care during emergency department care transitions among older adults: a mixed methods cohort study
Notice bibliographique
Résumé
OBJECTIVE: Improving care transitions for older adults can reduce emergency department (ED) revisits, and the strain placed upon caregivers. We analyzed whether caregivers felt a change in burden following a care transition, and what may be improved to reduce it. METHODS: This mixed-methods observational study nested within LEARNING WISDOM included caregivers of older patients who experienced an ED care transition. Burden was collected with the brief Zarit Burden Interview (ZBI-12), and caregivers also commented on the care transition. A qualitative coding scheme of patient care transitions was created to reflect themes important to caregivers. Comments were randomly analyzed until saturation and themes were extracted from the data. We followed both the SRQR and STROBE checklists. RESULTS: Comments from 581 caregivers (mean age (SD) 64.5 (12.3), 68% women) caring for patients (mean age (SD) 77.2 (7.54), 48% women) were analyzed. Caregivers overwhelmingly reported dissatisfaction and unmet service expectations, particularly with home care and domestic help. Communication and follow-up from the ED emerged as an area for improvement. Caregivers who reported an increased level of burden following a patient's care transition had significantly higher ZBI scores than caregivers who self-reported stable burden levels. CONCLUSION: Caregivers with increasing, stable, and improved levels of subjective burden all reported areas for improvement in the care transition process. Themes centering on the capacity to live at home and inadequate communication were most frequently mentioned and may represent serious challenges to caregivers. Addressing these challenges could improve both caregiver burden and ED care transitions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».