Implementation of Cognition, Fatigue, and Mental Health Screening at a Canadian Multiple Sclerosis Center: A Quality Improvement Initiative
Notice bibliographique
Résumé
Background: Mental health concerns, cognitive impairment, and fatigue are prevalent among Canadians with multiple sclerosis (MS), yet many neurology clinics are not equipped to adequately address these concerns. In this quality improvement initiative, low-burden systems were implemented at an MS clinic with the aim of improving the identification of these invisible symptoms among people with MS. Methods: Self-report questionnaires assessing anxiety, depression, and fatigue were electronically administered to patients prior to clinic appointments. When moderate mental health symptoms were reported, clinicians were alerted by a best practice advisory and directed to provide the patient with a list of local low- and no-cost mental health services. An MS-sensitive cognitive task was also administered via a tablet upon check-in to patients meeting with the physician assistant (PA). Data were collected from appointment notes over 10 clinic days before and after implementation. Results: From pre- to post implementation, the proportion of patients who received formal mental health screening increased from 0% to 54.55%, and the proportion of patients with mental health concerns who were offered resources increased from 23.53% to 47.83%. The proportion of patients who received formal fatigue screening increased from 0% to 22.46%. The rate of cognitive testing in visits with the PA increased from 33.33% to 85.11%. Conclusions: This initiative improved mental health, cognitive, and fatigue screening and established a foundation for ongoing quality improvement initiatives to better meet best practice recommendations for comprehensive MS 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».