Understanding patients’ decision to leave hospital care in Ghana: clinical cases and underlying determinants
Notice bibliographique
Résumé
BACKGROUND: The quality of patient discharge teaching and information influences most patients' readiness for discharge and perceptions of care. Planned patient discharge positively impacts patient health outcomes and post-discharge care management. However, some patients withdraw from care before being formally discharged, often termed discharge against medical advice (DAMA), among other labels. Patient withdrawal from care occurs in some Ghanaian hospitals, yet this phenomenon is understudied. We present clinical cases of this phenomenon in a Ghanaian hospital to understand why patients and their families leave hospital care before formal discharge. METHODS: Data was obtained through interviews, a focus group, and participant observations from nurses, patients, and caregivers. Thematic analysis and ethnographic case mapping helped us to identify patient discharge types and five DAMA cases. RESULTS: The underlying factors for discharge in these cases were identified and interpreted. These included health beliefs and cultural norms, costs of care, low health literacy, length of hospital stay and recovery outcomes. Others were social responsibility demands and lack of medical specialists and equipment. A detailed interrogation of the clinical cases and underlying factors revealed the need to reconceptualize discharge against medical advice. CONCLUSION: We recommend that providers embrace dialogue, cultural competency, and person-centered care and communication in managing patients' decisions respecting discharge. We reason that discharge against medical advice is a quality gap requiring both patient rights and ethical lense to address.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».