MétaCan
Menu
Retour à la cohorte
Enregistrement W4409336958 · doi:10.5334/ijic.icic24514

The ‘recipe for success’: Co-designing strategies to enhance care transitions from hospital to home

2025· article· en· W4409336958 sur OpenAlexaboutno aff
Jacobi Elliott, Anna Kras‐Dupuis, Miguel Henrique Pereira de Paiva, Rebecca Cantor, Ashley Camden, Erin Watson

Notice bibliographique

RevueInternational Journal of Integrated Care · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiquePrimary Care and Health Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRecipeNursingMedicine

Résumé

récupéré en direct d'OpenAlex

Background: There is growing recognition of the importance and benefits of patient-and caregiver-centred care approaches for older adults and individuals with complex medical needs during points of care transitions. Effective care transitions can improve patient, caregiver, and provider experiences, and reduce avoidable emergency department visits and readmissions. Despite the widely recognized benefit of effective care transitions, health care programs have struggled with how best to design, implement, and sustain strategies to improve transitions of care for complex individuals. In 2019, St. Joseph’s Health Care London (Ontario, Canada), was awarded funds to improve the quality of care and patient and caregiver experience during transitions through the implementation of transition strategies. A number of interviews and focus groups were conducted to understand current experiences, and identify areas for improvement. Additionally, best practice transition strategies were adapted from Healthcare Excellence Canada. A working group was established with frontline and leadership representation, as well as two patient/caregiver representatives to oversee the work. Co-Design Approach: Through multiple co-design sessions, the following tools and strategies were co-developed and/or modified for implementation: i) patient orientated discharge summary; ii) teach-back education processes; iii) post discharge follow-up phone calls; iv) welcoming caregivers as partners in care, and v) care resource binder. Many of these strategies were mid-implementation at the onset of the pandemic and lost momentum due to system pressures and shifting priorities. In Summer 2022, the working group re-assembled to re-ignite this work with a campaign to generate awareness and get frontline staff excited for the work to come. The team developed a campaign, Recipe for Success, which highlights a recipe card with a description of the ‘ingredients’ (transition strategies) needed for a successful transition. Virtual sessions, co-presented with patient/caregiver partners, were held to raise awareness and provide foundational knowledge on the tools and strategies. Over 100 participants attended the webinar sessions to learn more about the work. Tools were implemented into practice across the rehabilitation and geriatric inpatient programs. Follow up information has been collected to capture experiences and outcomes. Early findings indicate an improvement in care transition experiences. Discussion and Next Steps: A number of key learnings have emerged from this work related to the development and implementation of transition strategies. Input from patients, caregivers and providers – from the beginning, clear communication, a strong workplan, and multiple training sessions were critical for the success of the initiative. The team is actively spreading this work to other units and programs across the organization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,044
score de la tête « metaresearch » (Gemma)0,056
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,234

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0440,056
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,001
Études des sciences et des technologies0,0060,007
Communication savante0,0090,008
Science ouverte0,0040,012
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,436
Écart entre enseignants0,418 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Integrated CareMême sujetPrimary Care and Health OutcomesTravaux en français237 207