Improved team cohesion and experience following geographical cohorting of clinician teams
Notice bibliographique
Résumé
BACKGROUND: Hospitalists frequently provide care to inpatients situated across numerous medical units, resulting in inefficiency, poor clinician experience and disjointed teamwork. We implemented geographical cohorting of clinician teams to improve team cohesion, efficiency and interprofessional team experience. METHODS: We conducted an interrupted time series study of medical inpatients at a single academic medical centre. Preintervention: July 2018-April 2019, intervention development: April 2019-May 2019 and the postintervention: June 2019-June 2020. The intervention included geographical cohorting of clinician teams onto dedicated inpatient medical wards, standardisation of unit-based interprofessional rounds and end-of-day unit-based huddles. The primary outcome was surveys of team experience and the secondary outcome was the number of pages to physicians (efficiency measure). RESULTS: A total of 6043 patients were included in the study: 2668 preintervention, 386 intervention development and 2989 postintervention. 3240 (53.6%) were female and two (<1.0%) were transgender. Postintervention versus preintervention team experience improved in: awareness of healthcare workers (HCWs) method to contact physicians (56.1% vs 19.0%, p<0.001), ease of contact of physician (82.5% vs 59.5%, p=0.001), timeliness of physician response (78.9% vs 61.9%, p=0.020), agreement of team on care plan (80.7% vs 73.8%, p=0.018) and care plan is communicated efficiently (71.9% postintervention vs 45.2% preintervention, p=0.005) and timely (68.4% postintervention vs 45.2% preintervention, p=0.003). Mean physician pages reduced by a postintervention estimate (factor) of -5.80 (95% CI: -6.30 to -5.29, p<0.001). Linear mixed-effects models of clinical patient outcomes demonstrated no significant changes. CONCLUSIONS: Geographical cohorting of inpatient teams was associated with improved efficiency and team experience outcomes.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».