Comparing glycaemic outcomes of digital and paper‐based hospitals (<scp>GOOD</scp> study)
Notice bibliographique
Résumé
BACKGROUND: Digital technologies in healthcare are seen as mechanisms to improve and optimise management of health conditions. AIM: To assess the impact of digitisation on clinical outcomes and medication errors for patients with diabetes. METHODS: This repeated cross-sectional study used data collected from the Queensland Inpatient Diabetes Survey (QuIDS), which was conducted in 2019 and 2021 at digital and paper-based hospitals in Queensland. Relevant data were collected from patients with diabetes admitted to participating hospitals during a single day of the study week. Outcomes and error rates of patients who were admitted to digital versus paper-based hospitals were compared. Regression determined the factors that contributed to 'good diabetes days' and 'no hypoglycaemic days'. Prescribing and management errors were compared. RESULTS: Data on 1942 patient admissions (6977 patient bed days) were collected. Of these, 1076 patient admissions (55%) were at a digital hospital, while 866 patient admissions (45%) were at a paper-based hospital. Using regression, it was found that being admitted to a digital hospital increased the odds of a 'good diabetes day' by 45% (P < 0.001), but there was no change in 'no hypoglycaemic days' (P = 0.183). There was a reduction in the proportion of patients with at least one error type across all error categories amongst those admitted to a digital hospital (P < 0.001). CONCLUSION: Admission to a digital hospital improves the odds of experiencing a good diabetes day but does not change the occurrence of hypoglycaemia. There are potential quality and safety considerations for those hospitals still delivering paper-based diabetes care.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».