Effect of Smartphone-Based Messaging on Interns and Nurses at an Academic Medical Center: Observational Study
Notice bibliographique
Résumé
Background: Digital communication between nurses and medicine interns plays a crucial role in patient care. However, excessive messaging may contribute to alert fatigue, potentially affecting workflow efficiency and clinical decision-making. Although prior research has examined general messaging behaviors among clinicians, few studies have specifically analyzed messaging patterns between nurses and interns, who serve as primary points of contact in inpatient care. objectives: This study aims to quantitatively characterize messaging patterns between the primary nurse and primary provider (ie, medicine intern) of hospitalized patients at an academic medical center in order to identify communication burdens and potential inefficiencies. By identifying trends in message volume, timing, and response rates, we seek to inform strategies to optimize communication workflows and mitigate alert fatigue. Methods: At a large academic hospital (Tufts Medical Center, Boston, MA), we analyzed secure messaging transactions between internal medicine interns and nurses across three medical-surgical units over 6 months. Transaction metadata, time stamps, and unique message tokens were extracted. Data processing was performed using Python, Microsoft Excel, and R. Message volume, interaction frequencies, and response times were analyzed using measures of central tendency and statistical tests of significance. Results: A total of 61,057 unique messages were exchanged between interns and nurses, with interns exchanging 2.5 times more messages per day with nurses than vice versa (P<.001). Messaging volume exhibited diurnal variation, indicating periods of increased communication burden. Interns read messages from nurses within a median of 35 (range: 0-3589) seconds, whereas nurses read messages from interns within a median of 26 (range: 0-3584) seconds (P<.001). The longest message response delays occurred at 4 AM, whereas the shortest occurred at 8 AM. Conclusions: Interns experience a significantly higher messaging burden than nurses, with distinct peaks in message volume during morning rounds and overnight shifts. These findings suggest a need for interventions such as optimized digital communication protocols to reduce nonessential messaging and alert fatigue. Future research should explore the effectiveness of these interventions in enhancing workflow efficiency and the development of both in-person and digital interventions to optimize communication workflows and mitigate alert fatigue.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».