Barriers of Successful Implementation of Discharge Criteria at a Tertiary Heart Function Clinic: A Retrospective Cohort Analysis
Notice bibliographique
Résumé
Background Most heart function clinics cannot absorb their high volume of referrals. Effectiveness of clinic discharge protocols to offload stable patients is understudied. We examined predictors and barriers of implementing discharge criteria at our tertiary heart function clinic. Methods This is a retrospective analysis of discharge protocol implementation between August 1st, 2023, and March 31, 2024. Outcomes were discharge and rates of acute care utilization within 6-months post-discharge. Results Out of 153 patients reviewed, 92 were suitable for discharge, but only 56/92 (60.9%) were discharged. Discharge failure was associated with atrial fibrillation (66.7% not discharged vs 30.4% discharged; p<0.001), having ejection fraction <50% at the last visit (77.8% not discharged vs 51.8% discharged; p=0.012), having worse kidney function (initial visit creatinine 101.0 μmol/L discharged vs 86.5 not discharged; and at last visit 106.5 vs 99.0 μmol/L), and provider experience <10 years (36.1% not discharged vs 16.1% discharged; p=0.028). Reasons cited for discharge failure were providers awaiting an extra echocardiogram (48.6%) or coordinating with other cardiac care teams (27.0%). In the 6 months following discharge, 3 (5.4%) patients visited the emergency department for heart failure (HF), 1 (1.8%) patient was hospitalized for HF, and 1 (1.8%) patient passed away from cancer. Three out of five adverse outcomes were judged to be unavoidable even if clinic follow-up was continued. Conclusions Discharge rate from our clinic is suboptimal, which impedes timely care for new referrals. We identified several patient- and provider-specific barriers to discharge. More studies are needed to explore this important area.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».