ENGAGING THE HEALTH CARE TEAM TO PROMOTE PATIENT ACTIVATION FOR ENHANCED STROKE RECOVERY
Notice bibliographique
Résumé
Activating stroke survivors in acute care is challenging. Engaging the care team to meet the challenge is complex. Canadian Stroke Best Practices advocate for early patient activation to promote recovery. Our team is currently implementing a multi-pronged strategy to promote patient activation for stroke patients during their hospital stay. Objectives: 1) Assess the effect of a music-enhanced movement program on a) amount of time patients are active during their hospital stay, b) length of stay and c) satisfaction with care received. 2) Determine to what extent a series of education capsules for patient care attendants (PCA) will improve knowledge, enhance skills and change practice behaviors related to patient activation on an acute stroke unit. Methods: The music-enhanced program is currently delivered by student volunteers, with supervision from a recreational therapist. Volunteers track patient-related outcomes. Program-related outcomes such as length of stay and satisfaction with care will be analysed pre/post two iterations. The education capsules will be evaluated using a multiple time series design. Results: A first iteration of the music-enhanced movement program resulted in 109 visits by student volunteers and in 21 hours of additional activation for patients. The effect on length of stay and satisfaction of care are currently being examined. The education capsules for the patient care attendants are well-received to date. Conclusions: Patient-related and organizational factors need to be considered when developing innovative approaches in order to enhance their probability of sustainability. Patient activation can begin early after stroke, in acute care, with results that impact 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,018 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,011 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».