Transfers from intensive care unit to hospital ward: a multicentre textual analysis of physician progress notes
Notice bibliographique
Résumé
Abstract Background Little is known about documentation during transitions of patient care between clinical specialties. Therefore, we examined the focus, structure and purpose of physician progress notes for patients transferred from the intensive care unit (ICU) to hospital ward to identify opportunities to improve communication breaks. Methods This was a prospective cohort study in ten Canadian hospitals. We analyzed physician progress notes for consenting adult patients transferred from a medical-surgical ICU to hospital ward. The number, length, legibility and content of notes was counted and compared across care settings using mixed-effects linear regression models accounting for clustering within hospitals. Qualitative content analyses were conducted on a stratified random sample of 32 patients. Results A total of 447 patient medical records that included 7052 progress notes (mean 2.1 notes/patient/day 95% CI 1.9–2.3) were analyzed. Notes written by the ICU team were significantly longer than notes written by the ward team (mean lines of text 21 vs. 15, p < 0.001). There was a discrepancy between documentation of patient issues in the last ICU and first ward notes; mean agreement of patient issues was 42% [95% CI 31–53%]. Qualitative analyses identified eight themes related to focus (central point – e.g., problem list), structure (organization, – e.g., note-taking style), and purpose (intention – e.g., documentation of patient course) of the notes that varied across clinical specialties and physician seniority. Conclusions Important gaps and variations in written documentation during transitions of patient care between ICU and hospital ward physicians are common, and include discrepancies in documentation of patient information.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».