Health‐care staff perspectives in optimising delirium prevention using data‐driven interventions
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to identify factors influencing delirium prevention (risk identification and screening), from the perspective of health service staff, in order to ascertain the characteristics and implementation strategies critical for the clinical adoption of data-driven optimisations for delirium prevention. This pre-implementation study used the Monash Learning Health System (LHS) paradigm to visualise iterative integrated assimilation of delirium prevention in routine care. METHODS: A qualitative study was conducted in a large metropolitan public health network in Australia. Following consultation with organisational leaders, a purposive sample of clinical/non-clinical participants with expertise in delirium care delivery was recruited. Interviews were inductively analysed using a framework approach. The Consolidated Framework for Implementation Research (CFIR) domains underpinned interview questions and guided thematic mapping and analysis of responses. RESULTS: Semi-structured interviews were conducted with 18 participants (clinical [n = 14] and non-clinical [n = 4]). Key themes included challenges in consistently integrating delirium risk identification and screening processes into clinical workflows, infrastructure-related obstacles hindering the digitisation of decision support, and the need to engage caregivers and staff in designing optimisations to enable appropriate and timely delirium prevention. CONCLUSIONS: This study generated insights into key factors influencing delirium prevention, focusing on the development and implementation of optimisations such as automated delirium risk prediction. Improving hospital information technology infrastructure, supporting workforce digital literacy and ensuring accountability in all professional groups are crucial for implementing automated delirium risk prediction models in clinical practice. Future research should examine the feasibility and efficacy of optimised delirium prevention interventions in pragmatic clinical trials.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».