Maximizing Ageing Using Volunteer Engagement (MAUVE): one health system’s journey to spread a volunteer-based intervention for acutely ill older adults – a prospective observational study
Notice bibliographique
Résumé
Objectives Older inpatients face a higher risk of delirium, falls and functional decline during hospital stays. Volunteer programmes have been shown to improve patient outcomes in single settings, but little is known about their implementation and spread across multiple care environments. This study describes the implementation and system-wide spread of Maximizing Ageing Using Volunteer Engagement (MAUVE) —a volunteer-based programme supporting older patients’ cognitive, physical and social well-being—and evaluates its impact on healthcare staff satisfaction. Design A prospective observational service evaluation. Setting Emergency department, seven acute in-patient care units and two transitional care units within a Canadian hospital system from January to December 2019. Participants Older patients receiving care, volunteers delivering interventions and front-line nursing staff. Interventions Trained volunteers delivered up to six types of interventions targeting patients’ cognitive stimulation, physical activity, social engagement, functional support, orientation and companionship. Outcome measures Staff satisfaction with the MAUVE programme was measured using a structured survey administered 6 months after programme implementation. Data on patients and volunteers—including the number and type of interventions delivered, volunteer hours and patient reach—were also collected to assess feasibility and programme uptake. Results Over 12 months, 94 volunteers delivered 31 593 interventions to 3568 unique patients across three care settings. Front-line staff reported high satisfaction with the MAUVE programme, noting that volunteers enhanced patient care and enabled more direct patient interaction by staff. Conclusions The MAUVE programme is the first known volunteer-led patient engagement programme to be successfully implemented across acute, emergency and transitional care settings. This service evaluation demonstrates that structured volunteer engagement can support older patients’ well-being while enhancing staff satisfaction and enabling front-line care providers to deliver more direct 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 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 | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».