Optimizing Hospital Discharge Planning: Empirical Insights and Requirements of AI-Based Technologies From an Explorative Mixed Methods Field Study
Notice bibliographique
Résumé
Background: Discharge planning (DP) is crucial for care continuity after a hospital stay but remains complex due to organizational constraints, interprofessional coordination, and administrative demands. Despite ongoing digitalization efforts, many health technologies overlook the sociotechnical nature of discharge processes, limiting acceptance and integration into clinical workflows. Objective: This study aimed to examine real-world DP practices in 2 German university hospitals, identify user-centered needs, and derive design implications for responsibly integrating artificial intelligence (AI)-based systems into DP. Methods: A mixed methods field study was conducted combining qualitative and quantitative approaches. In the qualitative phase, DP employees participated in workshops (n=33). Additionally, expert interviews were conducted with 2 physicians and 3 nurses (n=5). Activities explored understanding of AI, challenges in DP workflows, and best-case process scenarios; existing processes were collaboratively modeled to identify potential intervention points for technological support. Transcripts were analyzed inductively following Mayring's qualitative content analysis. Quantitative data were collected through a standardized questionnaire (n=23), focusing on workload distribution, process inefficiencies, and openness to using AI in the DP context. Descriptive statistics were used to identify high-burden segments. Findings were integrated through methodological triangulation. Results: Persistent challenges emerged in interdisciplinary communication, documentation practices, and information continuity. Participants expressed uncertainty about the value of AI in DP, emphasizing the need for transparency, explainability, and role alignment. Questionnaire data confirmed bottlenecks in information transfer and high administrative workload. Design requirements for future systems include process transparency, support for coordination tasks, and adaptability to clinical roles. Conclusions: DP is a sociotechnical process in which human expertise and organizational context must guide system design. Participatory, context-aware design approaches are essential for integrating AI into clinical practice. Aligning technology with everyday workflows can increase acceptance and yield more effective digital interventions.
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 | 0,074 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».